双曲图卷积神经网络
机器学习
2019-10-30 v1 机器学习
摘要
图卷积神经网络（GCNs）将图中节点嵌入欧氏空间，已表明在嵌入具无标度或层次结构的真实图时会产生较大畸变。双曲几何提供了一种令人振奋的替代方案，因其能以小得多的畸变实现嵌入。然而，将 GCNs 推广至双曲几何面临若干独特挑战，因为尚不清楚如何在双曲空间中定义特征变换与聚合等神经网络操作。此外，由于输入特征常为欧氏的，不清楚如何以恰当曲率将特征变换为双曲嵌入。本文提出双曲图卷积神经网络（HGCN），这是首个归纳式双曲 GCN，它利用 GCNs 的表达力与双曲几何来学习无标度与层次图的归纳式节点表示。我们在双曲空间的反双曲模型下推导 GCN 操作，并将欧氏输入特征映射至各层具不同可训练曲率的双曲空间嵌入。实验表明，HGCN 学习的嵌入保留了层次结构，且与欧氏对应方法相比性能更优，即便在极低维嵌入下亦然：相较于最先进 GCNs，HGCN 在链接预测的 ROC AUC 上误差降低达 63.1%，在节点分类的 F1 分数上达 47.5%，并在 Pubmed 数据集上改进了 SOTA。
引用
@article{arxiv.1910.12933,
title = {Hyperbolic Graph Convolutional Neural Networks},
author = {Ines Chami and Rex Ying and Christopher Ré and Jure Leskovec},
journal= {arXiv preprint arXiv:1910.12933},
year = {2019}
}
备注
Published at Conference NeurIPS 2019. First 2 authors have equal contribution