MM-GNN：面向邻域特征分布建模的混合矩图神经网络
机器学习
2023-01-31 v2
摘要
图神经网络（GNNs）通过聚合来自邻居的信息，在图表示学习上展现出卓越性能。近来，一些研究讨论了在图上建模邻域分布的重要性。然而，大多数现有GNN通过单一统计量（如均值、最大值、求和）聚合邻居特征，这丢失了与邻居特征分布相关的信息，从而降低了模型性能。本文受统计学中矩方法的启发，提出用多阶矩对邻居特征分布建模。我们设计了一种新颖的GNN模型，称为混合矩图神经网络（MM-GNN），其包含多阶矩嵌入（MME）模块与基于逐元素注意力的矩适配器模块。MM-GNN首先为每个节点计算邻居的多阶矩作为签名，然后使用基于逐元素注意力的矩适配器为每个节点的重要矩分配更大权重并更新节点表示。我们在15个真实图（包括社交网络、引文网络和网页网络等）上进行了大量实验以评估模型，结果证明了MM-GNN相对于现有最先进模型的优越性。
引用
@article{arxiv.2208.07012,
title = {MM-GNN: Mix-Moment Graph Neural Network towards Modeling Neighborhood Feature Distribution},
author = {Wendong Bi and Lun Du and Qiang Fu and Yanlin Wang and Shi Han and Dongmei Zhang},
journal= {arXiv preprint arXiv:2208.07012},
year = {2023}
}
备注
accepted by WSDM2023