通过分解行列式点过程获取多样负样本的图卷积神经网络
机器学习
2023-09-07 v3
摘要
图卷积网络(GCNs)通过从节点及其拓扑中提取高级特征,在图表示学习中取得了巨大成功。由于 GCNs 通常遵循消息传递机制,每个节点聚合其一阶邻居的信息以更新其表示。因此,之间存在边的节点的表示应正相关,从而可被视为正样本。然而,整个图中有更多非邻居节点,它们为表示更新提供了多样且有用的信息。两个不相邻节点通常具有不同的表示,可被视为负样本。除节点表示外,图的结构信息对学习也至关重要。在本文中,我们利用行列式点过程(DPP)中的质量-多样性分解来获取多样负样本。在定义所有非邻居节点多样子集上的分布时,我们同时纳入图结构信息和节点表示。由于 DPP 采样过程需要矩阵特征值分解,我们提出了一种新的基于最短路径的方法以提高计算效率。最后,我们将获得的负样本纳入图卷积操作中。这些想法在节点分类任务的实验中得到了实证评估。这些实验表明,新提出的方法不仅提升了标准表示学习的整体性能,还显著缓解了过平滑问题。
引用
@article{arxiv.2212.02055,
title = {Graph Convolutional Neural Networks with Diverse Negative Samples via Decomposed Determinant Point Processes},
author = {Wei Duan and Junyu Xuan and Maoying Qiao and Jie Lu},
journal= {arXiv preprint arXiv:2212.02055},
year = {2023}
}
备注
Accepted by IEEE TNNLS on 30-Aug-2023. arXiv admin note: text overlap with arXiv:2210.00728