基于自适应滤波器组的图卷积网络消息传递
机器学习
2021-06-21 v1 人工智能
信号处理
机器学习
摘要
图卷积网络，如消息传递图卷积网络（MPGCN），已成为网络化数据表示学习的强大工具。然而，当数据异构时，大多数架构存在局限，因为它们采用单一策略处理多通道图信号，且通常聚焦于低频信息。本文提出一种新颖的图卷积算子，称为BankGCN，它保留消息传递模型的优势，但将其能力扩展到“低通”特征之外。它将图上的多通道信号分解到子空间，并在每个子空间中使用自适应滤波器处理特定信息。所有子空间的滤波器具有不同频率响应，共同构成滤波器组。此外，谱域中每个滤波器对应一种消息传递方案，多样化方案通过滤波器组实现。重要的是，滤波器组与信号分解联合学习，以适应数据的频谱特性和目标任务。此外，与大多数现有MPGCN相比，这几乎不引入额外参数。实验结果表明，所提卷积算子在多个基准图数据集的图分类上取得了优异性能。
引用
@article{arxiv.2106.09910,
title = {Message Passing in Graph Convolution Networks via Adaptive Filter Banks},
author = {Xing Gao and Wenrui Dai and Chenglin Li and Junni Zou and Hongkai Xiong and Pascal Frossard},
journal= {arXiv preprint arXiv:2106.09910},
year = {2021}
}