将模块度优化作为图神经网络的训练准则
机器学习
2022-07-04 v1 社会与信息网络
摘要
图卷积是一种近期可扩展的方法，通过在多个层上聚合局部节点信息，对属性图进行深度特征学习。此类层在前向模型中仅考虑节点邻居的属性信息，并未在学习任务中融入全局网络结构知识。特别地，模块度函数为网络社区结构提供了便捷的信息来源。在本工作中，我们研究了在图卷积模型中引入网络社区结构保持目标对所学表示质量的影响。我们通过两种方式引入这些目标：在输出层的代价函数中使用显式正则化项，以及通过辅助层计算的附加损失项。我们报告了在图卷积架构中加入社区结构保持项的效果。在两个属性文献网络上的实验评估表明，引入社区保持目标在稀疏标签情形下提升了半监督节点分类准确率。
引用
@article{arxiv.2207.00107,
title = {Modularity Optimization as a Training Criterion for Graph Neural Networks},
author = {Tsuyoshi Murata and Naveed Afzal},
journal= {arXiv preprint arXiv:2207.00107},
year = {2022}
}
备注
CompleNet 2018