GIPA：一种用于图学习的通用信息传播算法
机器学习
2023-02-07 v2
摘要
图神经网络（GNNs）已广泛用于图结构数据计算，在节点分类、链接预测和网络推荐等多种应用中展现出良好性能。现有工作在进行基于注意力的邻节点加权聚合时主要关注节点间相关性，例如两个节点的稠密向量点积。这可能在信息传播时导致节点间冲突噪声被传播。为解决该问题，我们提出一种通用信息传播算法（简称 GIPA），其利用更细粒度的信息融合，包括基于边特征传播中的位级（bit-wise）与特征级（feature-wise）相关性。具体而言，位级相关性通过基于两个节点及其边的稠密表示的多层感知机（MLP）计算逐元素注意力权重；特征级相关性基于节点属性特征的一热（one-hot）表示进行特征选择。我们在 Open Graph Benchmark 蛋白质数据集（简称 OGBN-proteins）与阿里巴巴的支付宝数据集上评估 GIPA 性能。实验结果表明，GIPA 在预测精度上优于 SOTA 模型，例如 GIPA 取得了 的平均 ROC-AUC，优于 OGBN-proteins 排行榜中所有已有方法。
引用
@article{arxiv.2301.08209,
title = {GIPA: A General Information Propagation Algorithm for Graph Learning},
author = {Houyi Li and Zhihong Chen and Zhao Li and Qinkai Zheng and Peng Zhang and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2301.08209},
year = {2023}
}
备注
Accepted by DASFAA2023. arXiv admin note: substantial text overlap with arXiv:2105.06035