图卷积神经网络中图表示与节点特征的联合学习
机器学习
2019-09-12 v1 机器学习
摘要
图卷积神经网络（GCNNs）将经典 CNN 扩展至图数据领域，如脑网络、社交网络与三维点云。确定适于后续图卷积的图至关重要。现有方法为 GCNN 的所有层手动构建或学习一个固定图。为适配不同层中节点特征的底层结构，我们提出在 GCNN 中联合动态学习图与节点特征。具体而言，我们将图优化问题转化为距离度量学习，以捕捉各层特征的成对相似性。我们采用马哈拉诺比斯距离度量，并将度量矩阵进一步分解为低维矩阵，从而将图学习转化为低维矩阵的优化以实现高效计算。在点云与引文网络数据集上的大量实验证明了所提方法在精度与鲁棒性方面的优越性。
引用
@article{arxiv.1909.04931,
title = {Joint Learning of Graph Representation and Node Features in Graph Convolutional Neural Networks},
author = {Jiaxiang Tang and Wei Hu and Xiang Gao and Zongming Guo},
journal= {arXiv preprint arXiv:1909.04931},
year = {2019}
}