HD-GCN：一种基于混合扩散的图卷积网络
机器学习
2023-04-03 v1
摘要
GCN 及其变体模型的信息扩散性能受邻接矩阵限制，这会降低其表现。因此，我们引入一种称为基于混合扩散的图卷积网络（HD-GCN）的图卷积网络新框架，以解决邻接矩阵导致的信息扩散局限。在 HD-GCN 框架中，我们首先利用扩散映射（diffusion maps）促进在特征空间中彼此相邻的节点间的信息扩散，从而允许在没有邻接关系的相似点之间扩散信息。接下来，我们在扩散映射之后利用图卷积在相邻节点间进一步传播信息，使图中相邻的相似节点间也能传播信息。最后，我们利用扩散映射获得的扩散距离对训练节点的预测标签进行正则化与约束，该正则化方法应用于 HD-GCN 训练，从而得到更平滑的分类边界。本文提出的模型有效克服了仅由邻接矩阵施加的信息扩散限制。HD-GCN 通过结合特征空间中邻域节点与邻接矩阵中相邻节点的信息扩散实现混合扩散，使节点间信息传播更为全面，提升了模型性能。我们在三个知名引文网络数据集上评估了 DM-GCN 的性能，结果表明该框架优于多种基于图的半监督学习方法。
引用
@article{arxiv.2303.17966,
title = {HD-GCN:A Hybrid Diffusion Graph Convolutional Network},
author = {Zhi Yang and Kang Li and Haitao Gan and Zhongwei Huang and Ming Shi},
journal= {arXiv preprint arXiv:2303.17966},
year = {2023}
}
备注
16 pages, 4 figures