基于广义 PageRank 的逐层自适应图卷积网络
机器学习
2022-07-19 v3
摘要
我们研究了深度 GCN 模型中的自适应逐层图卷积。我们提出 AdaGPR，在 GCNII 网络的每一层学习广义 PageRank 以诱导自适应卷积。我们证明，AdaGPR 的泛化界受归一化邻接矩阵特征值谱的多项式所界定，其阶数为广义 PageRank 系数的数量。通过分析泛化界，我们表明过度平滑取决于归一化邻接矩阵高阶项的卷积和模型深度。我们在基准真实数据上进行了节点分类评估，结果表明，与现有图卷积网络相比，AdaGPR 提供了更高的准确率，同时表现出对过度平滑的鲁棒性。此外，我们证明，分析逐层广义 PageRank 的系数使我们能够定性地理解每一层的卷积，从而实现模型解释。
引用
@article{arxiv.2108.10636,
title = {Layer-wise Adaptive Graph Convolution Networks Using Generalized Pagerank},
author = {Kishan Wimalawarne and Taiji Suzuki},
journal= {arXiv preprint arXiv:2108.10636},
year = {2022}
}