用于表示学习的图节点特征卷积
机器学习
2022-04-01 v2 机器学习
摘要
图卷积网络（GCN）是一种新兴的神经网络方法。它在聚合过程中通过聚合所有邻居的特征向量来学习节点的新表示，而不考虑邻居或特征是否有用。近期的方法通过采样固定大小的邻居集合，或在聚合过程中为不同邻居分配不同权重来改进解决方案，但特征向量内的特征在聚合过程中仍被同等对待。本文中，我们引入了一种在通过采样由固定节点带宽特征构建的常规尺寸特征图上的新卷积操作，以获得一级节点表示，随后将其传入标准 GCN 以学习二级节点表示。实验表明，我们的方法在半监督节点分类任务中优于对比方法。此外，我们的方法为探索新的 GCN 架构，尤其是更深的 GCN 模型，打开了新大门。
引用
@article{arxiv.1812.00086,
title = {Graph Node-Feature Convolution for Representation Learning},
author = {Li Zhang and Heda Song and Nikolaos Aletras and Haiping Lu},
journal= {arXiv preprint arXiv:1812.00086},
year = {2022}
}