学习用于图分类的无回溯对齐空间图卷积网络
机器学习
2020-09-08 v2 机器学习
摘要
本文提出了一种新颖的无回溯对齐空间图卷积网络（BASGCN）模型，以学习用于图分类的有效特征。我们的思路是将任意大小的图转换为固定大小的无回溯对齐网格结构，并定义一种与该网格结构相关联的新的空间图卷积操作。我们表明，所提出的 BASGCN 模型不仅减少了现有基于空间的图卷积网络（GCN）模型中出现的信息丢失和不精确信息表示问题，而且弥合了传统卷积神经网络（CNN）模型与基于空间的 GCN 模型之间的理论鸿沟。此外，所提出的 BASGCN 模型能够在卷积过程中自适应地区分指定顶点之间的重要性，并减轻现有基于空间的 GCN 中与 Weisfeiler-Lehman 算法相关的 notorious 徘徊问题，从而解释了该模型的有效性。在标准图数据集上的实验证明了所提出模型的有效性。
引用
@article{arxiv.1904.04238,
title = {Learning Backtrackless Aligned-Spatial Graph Convolutional Networks for Graph Classification},
author = {Lu Bail and Lixin Cui and Yuhang Jiao and Luca Rossi and Edwin R. Hancock},
journal= {arXiv preprint arXiv:1904.04238},
year = {2020}
}
备注
This is an extension work for journals based on the previous work of arXiv:1904.04238v1