GCN-SL：面向异配性图的带结构学习的图卷积网络
机器学习
2021-06-29 v2
摘要
在图结构数据的表示学习中，在异配性（或低同配性）下，许多流行的GNN可能无法捕获长程依赖，导致其性能下降。为解决上述问题，我们提出了一种带结构学习的图卷积网络（GCN-SL），并且该提出的方法可应用于节点分类。所提出的GCN-SL包含两项改进：分别对应于节点特征和边。在节点特征方面，我们提出了高效谱聚类（ESC）和带锚点的ESC（ESC-ANCH）算法，以高效聚合来自所有相似节点的特征表示。在边方面，我们使用一种特殊的数据预处理技术和相似性学习构建重新连接的邻接矩阵，并且该重新连接的邻接矩阵可与GCN-SL参数一起直接优化。考虑到原始邻接矩阵可能为GCN中的聚合提供误导性信息，尤其是同配性水平较低的图。所提出的GCN-SL可通过重新连接的邻接矩阵聚合来自邻近节点的特征表示，并应用于具有不同同配性水平的图。在广泛基准数据集上的实验结果表明，所提出的GCN-SL优于最先进的GNN对应方法。
引用
@article{arxiv.2105.13795,
title = {GCN-SL: Graph Convolutional Networks with Structure Learning for Graphs under Heterophily},
author = {Mengying Jiang and Guizhong Liu and Yuanchao Su and Xinliang Wu},
journal= {arXiv preprint arXiv:2105.13795},
year = {2021}
}