说谎图卷积：学习为节点分类任务说谎
机器学习
2024-05-03 v1 社会与信息网络
摘要
在图机器学习领域，许多研究者通过实验观察到，当图结构具有同质性（即相邻节点相似）时，深度图网络（DGN）在节点分类任务上表现优异。在本文中，我们引入了 Lying-GCN，这是一种受观点动态启发的全新 DGN，能够自适应地在异质和同质设置下工作。在每一层，每个代理（节点）与其邻居分享自己的观点（节点嵌入）。与 GCN 中直接分享观点不同，我们引入了一种允许代理说谎的机制。该机制是自适应的，因此代理会根据要解决的任务学习如何以及何时说谎。我们通过研究系统系数矩阵的谱性质，从动力系统的角度对我们的提议进行了刻画。尽管系统的稳态会坍缩为零，我们相信说谎机制仍可用于解决节点分类任务。我们在合成和真实数据集上实证证明了我们的观点，表明说谎机制能够在不损害同质设置下结果的同时，提升异质设置下的性能。
引用
@article{arxiv.2405.01247,
title = {Lying Graph Convolution: Learning to Lie for Node Classification Tasks},
author = {Daniele Castellana},
journal= {arXiv preprint arXiv:2405.01247},
year = {2024}
}
备注
Accepted to IJCNN2024