GraphAIR：具有邻域聚合与交互的图表示学习
机器学习
2020-11-10 v3 机器学习
摘要
图表示学习对于从节点分类到社区发现的多种图分析任务至关重要。近来，图卷积网络(GCNs)已成功应用于图表示学习。这些 GCNs 通过聚合来自邻域的特征来生成节点表示，遵循“邻域聚合”模式。尽管在各种任务上取得了有前景的性能，现有的基于 GCN 的模型难以很好地捕捉图数据复杂的非线性。本文中，我们首先从理论证明当前模型中邻域交互项的系数相对较小，这解释了为何 GCNs 几乎不能优于线性模型。然后，为了更好地捕捉图数据复杂的非线性，我们提出一种新颖的 GraphAIR 框架，其在邻域聚合之外还对邻域交互进行建模。在公开数据集上使用节点分类与链接预测等基准任务所做的综合实验证明了所提方法的有效性。
引用
@article{arxiv.1911.01731,
title = {GraphAIR: Graph Representation Learning with Neighborhood Aggregation and Interaction},
author = {Fenyu Hu and Yanqiao Zhu and Shu Wu and Weiran Huang and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:1911.01731},
year = {2020}
}
备注
12 pages, accepted to Pattern Recognition