标签感知图卷积网络
机器学习
2020-09-08 v2 机器学习
摘要
图卷积网络（GCNs）的最新进展在各种图相关任务上取得了最先进的性能。然而，大多数现有 GCN 模型并未明确识别所有聚合的邻居是否对学习任务有价值，这可能损害学习性能。在本文中，我们考虑节点分类问题，并提出标签感知图卷积网络（LAGCN）框架，该框架可直接识别有价值的邻居以提升现有 GCN 模型的性能。我们的贡献有三方面。首先，我们提出一种标签感知边分类器，可为每个节点过滤分散注意力的邻居并添加有价值的邻居，从而将原始图精炼为标签感知（LA）图。现有 GCN 模型可直接从 LA 图学习以提升性能，而无需改变其模型架构。其次，我们引入正比率的概念来评估 LA 图中价值邻居的密度。理论分析表明，使用边分类器提高正比率可改善现有 GCN 模型的学习性能。第三，我们在基准数据集上进行了广泛的节点分类实验。结果验证了 LAGCN 可在节点分类方面显著提升现有 GCN 模型的性能。
引用
@article{arxiv.1907.04707,
title = {Label-Aware Graph Convolutional Networks},
author = {Hao Chen and Yue Xu and Feiran Huang and Zengde Deng and Wenbing Huang and Senzhang Wang and Peng He and Zhoujun Li},
journal= {arXiv preprint arXiv:1907.04707},
year = {2020}
}
备注
Accepted by CIKM 2020