摆脱悬停问题：用于图半监督分类的深度扩散神经网络
机器学习
2020-01-23 v1 神经与进化计算
机器学习
摘要
现有图神经网络在模型架构加深时可能遭受“悬停问题”。同时，对于一些图学习场景，例如具有文本/图像属性的节点或具有长距离节点关联的图，深度图神经网络对于有效的图表示学习将是必要的。在本文中，我们提出一种新的图神经网络，即DIFNET（图扩散神经网络），用于图表示学习和节点分类。DIFNET利用神经门与图残差学习进行节点隐状态建模，并包含用于节点邻域信息扩散的注意力机制。本文将进行大量实验，将DIFNET与几种最先进的图神经网络模型进行比较。实验结果能够说明DIFNET的学习性能优势与有效性，特别是在解决“悬停问题”方面。
引用
@article{arxiv.2001.07922,
title = {Get Rid of Suspended Animation Problem: Deep Diffusive Neural Network on Graph Semi-Supervised Classification},
author = {Jiawei Zhang},
journal= {arXiv preprint arXiv:2001.07922},
year = {2020}
}
备注
7 pages, 6 figures