GIPA：用于图学习的通用信息传播算法
机器学习
2021-08-11 v2
摘要
图神经网络（GNNs）已广泛用于分析图结构数据，在节点分类、链接预测与网络推荐等多种应用中展现出良好结果。本文提出一种新的图注意力神经网络，即 GIPA，用于属性图数据学习。GIPA 由三个关键组件构成：注意力、特征传播与聚合。具体而言，注意力组件引入了一种新的基于多层感知机的多头机制，以生成优于点积等传统实现的更好的非线性特征映射与表示。传播组件不仅考虑节点特征，还考虑边特征，这与现有仅考虑节点特征的 GNNs 不同。聚合组件使用残差连接生成最终嵌入。我们使用 Open Graph Benchmark 蛋白质数据集（简称 ogbn-proteins）评估 GIPA 的性能。实验结果表明，GIPA 在预测精度上可击败最先进模型，例如 GIPA 取得了 的平均测试 ROC-AUC，并优于 ogbn-proteins 排行榜中列出的所有先前方法。
引用
@article{arxiv.2105.06035,
title = {GIPA: General Information Propagation Algorithm for Graph Learning},
author = {Qinkai Zheng and Houyi Li and Peng Zhang and Zhixiong Yang and Guowei Zhang and Xintan Zeng and Yongchao Liu},
journal= {arXiv preprint arXiv:2105.06035},
year = {2021}
}
备注
5 pages, 2 figures, 2 tables; Technical report