图神经网络的图自适应激活函数
信号处理
2020-09-16 v1
摘要
激活函数在图神经网络（GNNs）中至关重要，因为它们允许定义非线性函数族以捕捉输入图数据与其表示之间的关系。本文提出一种不仅将图适配于非线性之中、而且可分布式的GNN激活函数。为将特征-拓扑耦合纳入所有GNN组件，节点特征被非线性化并与一组可训练参数以类似图卷积的形式结合。后者导出了GNN的一个图自适应可训练非线性分量，其可直接实现或通过核变换实现，从而丰富了表示网络数据的函数类。无论是直接形式还是核形式，我们均证明始终保持置换等变性。我们还证明图自适应最大激活函数子类对输入扰动是Lipschitz稳定的。基于分布式源定位、有限时间一致性、分布式回归和推荐系统的数值实验证实了我们的发现，并显示出优于逐点以及最先进的局部非线性方法的性能。
引用
@article{arxiv.2009.06723,
title = {Graph-Adaptive Activation Functions for Graph Neural Networks},
author = {Bianca Iancu and Luana Ruiz and Alejandro Ribeiro and Elvin Isufi},
journal= {arXiv preprint arXiv:2009.06723},
year = {2020}
}