图神经网络中的高阶稀疏卷积
机器学习
2023-02-22 v1 信号处理
摘要
图神经网络（GNNs）已被应用于计算机科学中的诸多问题。捕捉节点间的高阶关系对于提升 GNNs 的表达能力至关重要。然而，现有捕捉这些关系的方法在大规模图上可能难以适用。本工作中，我们基于图信号的 Sobolev 范数引入了一种新的高阶稀疏卷积。我们的稀疏 Sobolev GNN（S-SobGNN）在每一层计算一组具有递增 Hadamard 幂的级联滤波器以获得更多样化的函数集合，随后由线性组合层对各滤波器的嵌入进行加权。我们在半监督学习的若干应用中评估了 S-SobGNN。与多种当前最优（SOTA）方法相比，S-SobGNN 在所有应用中均展现出具有竞争力的性能。
引用
@article{arxiv.2302.10505,
title = {Higher-order Sparse Convolutions in Graph Neural Networks},
author = {Jhony H. Giraldo and Sajid Javed and Arif Mahmood and Fragkiskos D. Malliaros and Thierry Bouwmans},
journal= {arXiv preprint arXiv:2302.10505},
year = {2023}
}
备注
Accepted in IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2023