具有特征与结构感知随机游走的图神经网络
机器学习
2024-10-29 v2 人工智能
摘要
图神经网络（GNNs）因在各种机器学习任务中的表示学习而受到越来越多的关注。然而，大多数应用邻域聚合的现有 GNN 在相邻节点属于不同类别的异配图上表现通常较差。本文指出，在典型异配图中边可能是有向的，而将边按原样处理还是简单化为无向边会极大影响 GNN 模型性能。此外，受异配性限制，节点从局部邻域之外的相似节点聚合消息极为有益。这促使我们开发一种自适应学习图的有向性并利用节点间潜在远距离相关性的模型。我们首先基于所提出的特征感知 PageRank 算法将图拉普拉斯推广至有向图，该算法同时考虑图的有向性与节点间远距离特征相似性。随后有向图拉普拉斯定义了图传播矩阵，由此得到名为 DiglacianGCN 的模型。在此基础上，我们进一步利用以节点间通勤时间度量的节点邻近度，以在拓扑层面保持节点的远距离相关性。在十个具不同同配程度的数据集上的大量实验证明了我们的方法在节点分类任务上相对于现有方案的有效性。
引用
@article{arxiv.2111.10102,
title = {Graph Neural Networks with Feature and Structure Aware Random Walk},
author = {Wei Zhuo and Guang Tan},
journal= {arXiv preprint arXiv:2111.10102},
year = {2024}
}