具有图上下文感知节点表示的保局部性稠密图卷积网络
机器学习
2020-10-13 v1
摘要
图卷积网络（GCNs）已广泛用于图数据的表示学习，其可通过专门设计的卷积和读出操作捕获图上的结构模式。在许多图分类应用中，基于GCN的方法已超越传统方法。然而，大多数现有GCN难以有效保留图的局部信息——这一局限对图分类尤为不利。本文提出一种具有图上下文感知节点表示的保局部性稠密GCN。具体而言，我们提出的模型引入局部节点特征重构模块，通过简单而有效的编码器-解码器机制将初始节点特征保留到节点表示中。为捕获代表不同局部范围的邻域中的局部结构模式，引入稠密连接将每个卷积层及其对应读出与所有先前卷积层相连。为增强节点代表性，将每个卷积层的输出与前一层读出的输出拼接，形成全局上下文感知节点表示。此外，引入自注意力模块聚合逐层表示以形成最终表示。在基准数据集上的实验证明了所提模型在分类准确率上优于最先进的方法。
引用
@article{arxiv.2010.05404,
title = {Locality Preserving Dense Graph Convolutional Networks with Graph Context-Aware Node Representations},
author = {Wenfeng Liu and Maoguo Gong and Zedong Tang and A. K. Qin},
journal= {arXiv preprint arXiv:2010.05404},
year = {2020}
}
备注
18 pages