图卷积：一种高阶与自适应方法
机器学习
2017-10-23 v2 机器学习
摘要
在本文中，我们提出了一种用于图建模的新型卷积神经网络框架，引入了两个专为图结构数据设计的新模块：第 阶卷积算子和自适应滤波模块。重要的是，我们提出的高阶与自适应图卷积网络（High-order and Adaptive Graph Convolutional Network, HA-GCN）是一种通用架构，适用于节点和图中心（node and graph centrics）的各种应用，以及图生成模型。我们进行了大量实验来证明我们框架的优势。特别地，我们的 HA-GCN 在节点分类和分子性质预测任务上优于最先进的（state-of-the-art）模型。它还在分子生成任务上多生成 32% 的真实分子，这两者都将显著惠及材料设计和药物筛选等实际应用。
引用
@article{arxiv.1706.09916,
title = {Graph Convolution: A High-Order and Adaptive Approach},
author = {Zhenpeng Zhou and Xiaocheng Li},
journal= {arXiv preprint arXiv:1706.09916},
year = {2017}
}