GCN-SE：将注意力作为动态图节点分类的可解释性机制
机器学习
2021-10-13 v1 社会与信息网络
摘要
图卷积网络（GCNs）是图表示学习中一种流行的方法，已被证明对节点分类等任务有效。尽管典型的 GCN 模型侧重于对静态图中的节点进行分类，一些近期变体提出了在动态图中进行节点分类，其拓扑和节点属性随时间变化，例如具有动态关系的社交网络，或具有变化合著关系的文献引用网络。然而，这些工作未能充分应对灵活地为不同时间的图快照分配不同重要性的挑战，而根据图的动态特性，这些快照对标签可能具有或多或少的预测能力。我们受 Squeeze and Excitation Net（SE-Net）启发，提出一种新方法 GCN-SE，为不同时间的图快照附加一组可学习的注意力权重，以应对该挑战。我们表明 GCN-SE 在多种图数据集上优于先前提出的节点分类方法。为验证注意力权重在确定不同图快照重要性方面的有效性，我们将可解释机器学习领域的基于扰动的方法适配到图设置中，并评估 GCN-SE 学习到的注意力权重与不同快照随时间重要性的相关性。这些实验表明，GCN-SE 实际上能够识别不同快照对动态节点分类的预测能力。
引用
@article{arxiv.2110.05598,
title = {GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs},
author = {Yucai Fan and Yuhang Yao and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2110.05598},
year = {2021}
}
备注
Accepted by ICDM 2021