基于Rademacher复杂度的图卷积神经网络泛化界
机器学习
2021-02-23 v1 机器学习
摘要
本文旨在通过为单层隐藏层的图卷积网络（GCNs）提供紧致的Rademacher复杂度上界，研究图卷积网络的样本复杂度。在正则条件下，这些导出的复杂度界显式依赖于图卷积滤波器的最大特征值和图的度分布。此外，我们给出了GCNs的Rademacher复杂度下界，以表明所导出的上界的最优性。以两个常用例子为代表，我们讨论了所得结果在图卷积滤波器与图分布设计中的启示。
引用
@article{arxiv.2102.10234,
title = {Generalization bounds for graph convolutional neural networks via Rademacher complexity},
author = {Shaogao Lv},
journal= {arXiv preprint arXiv:2102.10234},
year = {2021}
}