NCGNN：用于半监督分类的节点级胶囊图神经网络
机器学习
2022-06-17 v2
摘要
消息传递已发展为设计图神经网络（GNNs）的有效工具。然而，大多数现有的消息传递方法只是简单地将所有邻居特征求和或平均以更新节点表示。它们受限于两个问题，即（i）缺乏可解释性以识别对 GNN 预测重要的节点特征，以及（ii）特征过度混合导致在捕获长程依赖时出现过平滑问题，并且无法处理异配性或低同配性下的图。在本文中，我们提出一种节点级胶囊图神经网络（NCGNN），通过改进的消息传递方案来解决这些问题。具体而言，NCGNN 将节点表示为节点级胶囊组，其中每个胶囊提取其对应节点的独特特征。对于每个节点级胶囊，开发了一种新颖的动态路由过程，以从由所设计的图滤波器识别的子图中自适应地选择适当的胶囊进行聚合。NCGNN 仅聚合有利胶囊并抑制无关消息，以避免交互节点特征的过度混合。因此，它可以缓解过平滑问题，并在同配性或异配性图上学习有效的节点表示。此外，我们提出的消息传递方案具有内在可解释性，无需复杂的事后解释，因为图滤波器和动态路由过程从提取的子图中识别出对模型预测最重要的节点特征子集。在合成及真实世界图上的大量实验表明，NCGNN 能很好地解决过平滑问题，并为半监督节点分类生成更好的节点表示。它在同配性和异配性下均优于当前最优方法（SOTA）。
引用
@article{arxiv.2012.03476,
title = {NCGNN: Node-Level Capsule Graph Neural Network for Semisupervised Classification},
author = {Rui Yang and Wenrui Dai and Chenglin Li and Junni Zou and Hongkai Xiong},
journal= {arXiv preprint arXiv:2012.03476},
year = {2022}
}
备注
accepted by TNNLS