双曲图注意力网络
机器学习
2019-12-09 v1 机器学习
摘要
图神经网络（GNN）在处理图方面已展现出优越性能，近来吸引了相当多的研究关注。然而，现有大多数 GNN 模型主要针对欧氏空间中的图而设计。近期研究已证明图数据呈现非欧氏的潜在结构。遗憾的是，迄今为止在非欧氏设定下对 GNN 的研究甚少。为弥补这一缺口，本文首次研究双曲空间下带注意力机制的 GNN。双曲 GNN 的研究面临一些独特挑战：由于双曲空间并非向量空间，向量运算（如向量加、减与数乘）无法执行。为解决该问题，我们采用陀螺向量空间（gyrovector spaces），其为双曲几何提供了优雅的代数形式，用以变换图中的特征；随后我们提出基于双曲邻近度的注意力机制来聚合特征。此外，由于双曲空间中的数学运算可能比欧氏空间中更为复杂，我们进一步设计了一种利用对数与指数映射的新颖加速策略，以提升所提模型的效率。在四个真实世界数据集上的综合实验结果，通过与其它最先进（state-of-the-art）基线方法的比较，证明了我们所提双曲图注意力网络模型的性能。
引用
@article{arxiv.1912.03046,
title = {Hyperbolic Graph Attention Network},
author = {Yiding Zhang and Xiao Wang and Xunqiang Jiang and Chuan Shi and Yanfang Ye},
journal= {arXiv preprint arXiv:1912.03046},
year = {2019}
}
备注
8 pages, 4 figures