无限视界图滤波器：利用幂级数增强稀疏信息聚合
机器学习
2024-04-22 v3 社会与信息网络
摘要
图神经网络在各种图学习任务中展现出了显著的有效性，特别是近年来基于消息传递的方法。然而，它们的性能往往受到有限感受野的制约，这一挑战在稀疏图存在时变得更加严峻。鉴于幂级数具有无限展开能力，我们提出了一种新颖的图幂滤波器神经网络 (GPFN)，它通过采用幂级数图滤波器来扩大感受野，从而增强节点分类。具体而言，我们的 GPFN 设计了一种基于收敛幂级数构建具有无限感受野图滤波器的新方法，该滤波器可以在谱域和空间域中进行分析。此外，我们从理论上证明了我们的 GPFN 是一个通用框架，可以集成任何幂级数并捕获长程依赖关系。最后，在三个数据集上的实验结果证明了我们的 GPFN 优于 state-of-the-art 基线。
引用
@article{arxiv.2401.09943,
title = {Infinite-Horizon Graph Filters: Leveraging Power Series to Enhance Sparse Information Aggregation},
author = {Ruizhe Zhang and Xinke Jiang and Yuchen Fang and Jiayuan Luo and Yongxin Xu and Yichen Zhu and Xu Chu and Junfeng Zhao and Yasha Wang},
journal= {arXiv preprint arXiv:2401.09943},
year = {2024}
}
备注
version 2