高阶加权图卷积网络
机器学习
2019-11-13 v2 机器学习
摘要
图卷积网络（Graph Convolution Network, GCN）已被公认为最有效的半监督学习图模型之一，但它仅通过信息传播提取一阶或少数几阶邻域信息，在更深结构中会出现性能下降。现有处理高阶邻居的方法往往利用邻接矩阵的幂。本文假设一个看似平凡的条件：高阶邻域信息可能与一阶邻居的信息相似。据此，我们提出一种无监督方法来刻画这种相似性，并通过Lasso在最小化一阶与高阶邻居间特征损失的过程中自动学习高阶邻居的权重矩阵，基于此我们构造了GCN的新卷积滤波器以学习更好的节点表示。我们的模型称为高阶加权GCN（higher-order weighted GCN, HWGCN），在Cora、Citeseer和Pubmed数据集上的多个节点分类任务中取得了最先进的结果。
引用
@article{arxiv.1911.04129,
title = {Higher-order Weighted Graph Convolutional Networks},
author = {Songtao Liu and Lingwei Chen and Hanze Dong and Zihao Wang and Dinghao Wu and Zengfeng Huang},
journal= {arXiv preprint arXiv:1911.04129},
year = {2019}
}
备注
15 pages