GCN-LASE：在图卷积网络中充分融入链接属性
机器学习
2019-05-31 v2 计算机视觉与模式识别
社会与信息网络
机器学习
摘要
图卷积网络（GCNs）已被证明是在为单个图节点聚合局部邻域信息方面最强大的架构。现有的 GCN 成功利用了低秩邻近度与节点特征，然而图链接可能携带的属性通常被忽略，因为几乎所有这些模型都将图链接简化为描述节点连通性的二值或标量值。而在本文中，链接被还原为具有描述性属性的实体之间的实在关系。我们提出 GCN-LASE（带链接属性与采样估计的 GCN），一种将节点与链接属性均作为输入的新型 GCN 模型。为充分捕捉链接与节点属性之间的交互，将其张量积用作邻域特征，基于此我们定义了若干图核并进一步开发了相应的 LASE 架构。此外，为加速训练过程，通过蒙特卡洛方法估计整个邻域内特征之和，并为 LASE 设计了新颖的采样策略以最小化估计方差。我们的实验表明，LASE 在各种图数据集上优于强基线，进一步实验证实了链接属性的信息性以及我们模型充分利用其的能力。
引用
@article{arxiv.1902.09817,
title = {GCN-LASE: Towards Adequately Incorporating Link Attributes in Graph Convolutional Networks},
author = {Ziyao Li and Liang Zhang and Guojie Song},
journal= {arXiv preprint arXiv:1902.09817},
year = {2019}
}
备注
IJCAI2019 Accepted Paper