LFGCN：借助 Lévy 飞行的图上的悬浮学习
机器学习
2020-09-14 v1 社会与信息网络
机器学习
摘要
由于从社交网络到区块链再到电网的诸多应用中的高实用性，对图与流形等非欧对象上的深度学习（称为几何深度学习（GDL））持续获得与日俱增的关注。我们提出一种新的 Lévy 飞行图卷积网络（LFGCN）方法用于半监督学习，其将 Lévy 飞行投射为图上的随机游走，从而既能准确刻画内在图拓扑，又能大幅改善分类性能，尤其对异质图。此外，我们基于 Girvan-Newman 论点提出一种新的优先 P-DropEdge 方法。即与 DropEdge 中均匀移除边不同，遵循 Girvan-Newman 算法，我们利用边介数信息检测网络外围结构，然后依据其介数中心性移除边。我们在半监督节点分类任务上的实验结果表明，耦合 P-DropEdge 的 LFGCN 加速了训练任务，增加了稳定性并进一步提升了所学图拓扑结构的预测精度。最后，在我们的案例研究中，我们将 LFGCN 及其他深度网络工具引入电网网络分析——该领域中 GDL 的实用性尚待开发。
引用
@article{arxiv.2009.02365,
title = {LFGCN: Levitating over Graphs with Levy Flights},
author = {Yuzhou Chen and Yulia R. Gel and Konstantin Avrachenkov},
journal= {arXiv preprint arXiv:2009.02365},
year = {2020}
}
备注
To Appear in the 2020 IEEE International Conference on Data Mining (ICDM)