NAFS：一种简单却难以击败的图表示学习基线
机器学习
2022-06-20 v1
摘要
近来，图神经网络（GNNs）通过利用图结构与节点特征的知识，在图表示学习中展现出卓越性能。然而，它们大多有两个主要局限。首先，GNNs可通过堆叠更多层学习高阶结构信息，但因过平滑问题无法处理大深度。其次，由于昂贵的计算成本与高内存占用，这些方法不易应用于大图。本文提出节点自适应特征平滑（NAFS），一种无需参数学习即可构建节点表示的简单非参数方法。NAFS首先通过特征平滑提取每个节点与其不同跳数邻居的特征，然后自适应地组合这些平滑特征。此外，所构建的节点表示可进一步由通过不同平滑策略提取的平滑特征集成来增强。我们在两个不同应用场景（节点聚类与链接预测）的四个基准数据集上开展实验。值得注意的是，采用特征集成的NAFS在这些任务上优于最先进的GNNs，并缓解了大多数基于学习的GNN对应方法的前述两个局限。
引用
@article{arxiv.2206.08583,
title = {NAFS: A Simple yet Tough-to-beat Baseline for Graph Representation Learning},
author = {Wentao Zhang and Zeang Sheng and Mingyu Yang and Yang Li and Yu Shen and Zhi Yang and Bin Cui},
journal= {arXiv preprint arXiv:2206.08583},
year = {2022}
}
备注
17 pages, 8 figures