MGC：一种用于有向图的复值图卷积网络
机器学习
2022-02-04 v2 信号处理
摘要
图神经网络的最新进展在图表示学习方面取得了最先进的性能。然而，现有的大多数工作通过对称化来处理有向图，这会导致方向信息的丢失。为了解决这个问题，我们引入了磁拉普拉斯算子，这是一种带有磁场的离散薛定谔算子，它通过将边方向性编码为带有电荷参数的复相位来保留方向信息。通过采用一种名为 Linear-Rank 的截断 PageRank 变体，我们设计并构建了用于同质图的低通滤波器和用于异质图的高通滤波器。在这项工作中，我们提出了一种名为磁图卷积网络（MGC）的复值图卷积网络。借助相应的复值技术，我们确保当电荷参数取特定值时，我们的模型将退化为实值模型。我们在多个图数据集上测试了我们的模型，包括有向同质图和异质图。实验结果证明，MGC 快速、强大且广泛适用。
引用
@article{arxiv.2110.07570,
title = {MGC: A Complex-Valued Graph Convolutional Network for Directed Graphs},
author = {Jie Zhang and Bo Hui and Po-Wei Harn and Min-Te Sun and Wei-Shinn Ku},
journal= {arXiv preprint arXiv:2110.07570},
year = {2022}
}
备注
11 pages, 4 figures, 5 tables