图神经网络中的互信息最大化
机器学习
2020-03-25 v4 计算机视觉与模式识别
机器学习
摘要
近来已开发出多种用于图上表示学习的图神经网络（GNNs）框架。这些框架依赖聚合与迭代机制来学习节点的表示。然而，在学习的该机制中节点间的信息不可避免地丢失。为减少损失，我们通过将互信息方法中的聚合与迭代机制引入，扩展了 GNNs 框架。我们提出一种在 GNNs 聚合中扩大常规邻域的新方法，旨在最大化互信息。基于在多个基准数据集上进行的一系列实验，我们表明所提方法提升了四类图任务的最先进性能，包括监督与半监督图分类、图链接预测以及图边生成与分类。
引用
@article{arxiv.1905.08509,
title = {Mutual Information Maximization in Graph Neural Networks},
author = {Xinhan Di and Pengqian Yu and Rui Bu and Mingchao Sun},
journal= {arXiv preprint arXiv:1905.08509},
year = {2020}
}
备注
Accepted for presentation at IJCNN 2020