GraphViz2Vec：一种结构感知的特征生成模型，用于提升图神经网络分类性能
机器学习
2024-01-31 v1 人工智能
社会与信息网络
摘要
图神经网络（GNN）被广泛用于解决包括节点分类和链接预测在内的各种任务。大多数 GNN 架构假设初始嵌入是随机的或由常见分布生成。这些初始嵌入需要多层变换才能收敛为有意义的潜在表示。虽然层数允许累积节点的更大邻域信息，但也引入了过度平滑的问题。此外，GNN 不擅长表示结构信息。例如，一个节点的输出嵌入无法捕捉其参与的三角形结构。在本文中，我们提出了一种新颖的特征提取方法 GraphViz2Vec，该方法能够捕获节点局部邻域的结构信息，为 GNN 模型创建有意义的初始嵌入。这些初始嵌入有助于现有模型在各种分类任务中取得最先进的结果。此外，这些初始嵌入帮助模型仅用两层就能产生期望的结果，从而减少了过度平滑的问题。节点的初始编码是从一个在其局部邻域的多个能量图上训练的图像分类模型中获得的。这些能量图由多次随机游走遍历的节点诱导子图生成。生成的编码提升了现有模型在分类任务上的性能（节点和链接分类任务的平均提升分别为 4.65% 和 2.58%），部分模型取得了最先进的结果。
引用
@article{arxiv.2401.17178,
title = {GraphViz2Vec: A Structure-aware Feature Generation Model to Improve Classification in GNNs},
author = {Shraban Kumar Chatterjee and Suman Kundu},
journal= {arXiv preprint arXiv:2401.17178},
year = {2024}
}