LGD-GCN：局部与全局解耦图卷积网络
机器学习
2023-12-15 v3
摘要
解耦图卷积网络（DisenGCN）是一种令人鼓舞的框架，用于解耦真实世界图中产生的潜在因素。然而，它严重依赖来自局部范围（即一个节点及其 1 跳邻居）的解耦信息，而局部信息在许多情况下可能不均衡且不完整，阻碍了 DisenGCN 的可解释性和模型性能。在本文中，我们引入一种新颖的局部与全局解耦图卷积网络（LGD-GCN）来捕获局部和全局信息以进行图解耦。LGD-GCN 执行统计混合建模以推导因子感知的潜在连续空间，然后从揭示的空间中针对不同因子构建不同结构。通过这种方式，全局特定因子信息可以通过沿这些构建结构的消息传递被高效且选择性地编码，从而增强因子内一致性。我们还提出了一种与潜在空间建模一起使用的新颖多样性促进正则化器，以鼓励因子间多样性。在合成和真实世界数据集上对提出的 LGD-GCN 的评估显示了比现有竞争模型更好的可解释性和改进的顶点分类性能。代码可在 https://github.com/jingweio/LGD-GCN 获取。
引用
@article{arxiv.2104.11893,
title = {LGD-GCN: Local and Global Disentangled Graph Convolutional Networks},
author = {Jingwei Guo and Kaizhu Huang and Xinping Yi and Rui Zhang},
journal= {arXiv preprint arXiv:2104.11893},
year = {2023}
}
备注
add additinal code and paper links