N-GCN：用于半监督节点分类的多尺度图卷积
机器学习
2018-02-27 v1 社会与信息网络
机器学习
摘要
图卷积网络（GCNs）在图结构数据上的半监督学习中展现出显著改进。同时，图嵌入的无监督学习已从随机游走所含信息中获益。本文中，我们提出一种模型：GCN网络（N-GCN），它将这两方面工作结合起来。N-GCN的核心在于，在随机游走中发现的不同距离节点对上训练多个GCN实例，并学习这些实例输出的组合以优化分类目标。我们的实验表明，我们提出的N-GCN模型在我们考虑的所有具有挑战性的节点分类任务（Cora、Citeseer、Pubmed和PPI）上均优于最先进的基线。此外，我们提出的方法还具有其它理想性质，包括推广到近期提出的半监督学习方法如GraphSAGE（使我们能提出N-SAGE），以及对对抗性输入扰动的鲁棒性。
引用
@article{arxiv.1802.08888,
title = {N-GCN: Multi-scale Graph Convolution for Semi-supervised Node Classification},
author = {Sami Abu-El-Haija and Amol Kapoor and Bryan Perozzi and Joonseok Lee},
journal= {arXiv preprint arXiv:1802.08888},
year = {2018}
}