MixHop：通过稀疏化邻域混合实现的高阶图卷积架构
机器学习
2019-06-20 v3 社会与信息网络
机器学习
摘要
现有用于图神经网络半监督学习的流行方法（如 Graph Convolutional Network）被证明无法学习一类通用的邻域混合关系。为弥补这一缺陷，我们提出一种新模型 MixHop，它可通过在不同距离上重复混合邻居的特征表示来学习此类关系，包括差分算子。MixHop 不需要额外的内存或计算复杂度，并在具有挑战性的基线方法上表现更优。此外，我们提出稀疏正则化，使我们能够可视化网络如何在不同的图数据集上优先处理邻域信息。我们对所学架构的分析表明，邻域混合因数据集而异。
引用
@article{arxiv.1905.00067,
title = {MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing},
author = {Sami Abu-El-Haija and Bryan Perozzi and Amol Kapoor and Nazanin Alipourfard and Kristina Lerman and Hrayr Harutyunyan and Greg Ver Steeg and Aram Galstyan},
journal= {arXiv preprint arXiv:1905.00067},
year = {2019}
}