学习参数化图移位算子
机器学习
2022-01-31 v3 机器学习
摘要
在许多领域中，数据目前以图的形式表示，因此这些数据的图表示在机器学习中变得越来越重要。网络数据总是隐式或显式地使用图移位算子（GSO）来表示，最常见的选择是邻接矩阵、拉普拉斯矩阵及其归一化形式。本文提出了一种新颖的参数化 GSO（PGSO），其特定参数值可得到图神经网络（GNN）框架中最常用的 GSO 和消息传递算子。建议将 PGSO 替代最先进 GNN 架构中使用的标准 GSO，并且 PGSO 参数的优化可无缝纳入模型训练中。本文证明了 PGSO 具有与参数值无关的实数特征值和一组实特征向量，并推导了 PGSO 的谱界。在对随机块模型网络的研究中，PGSO 参数被证明能适应图结构的稀疏性，并自动复现文献中发现的 GSO 正则化。在多个真实世界数据集上，通过在节点分类和图分类任务中引入 PGSO，最先进 GNN 架构的准确率得到了提升。
引用
@article{arxiv.2101.10050,
title = {Learning Parametrised Graph Shift Operators},
author = {George Dasoulas and Johannes Lutzeyer and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2101.10050},
year = {2022}
}
备注
17 pages, 8 figures