邻域卷积网络：一种用于节点分类的图神经网络新范式
机器学习
2022-11-16 v1 社会与信息网络
摘要
解耦图卷积网络（GCN）是 GCN 的最近进展，它将每个卷积层中的邻域聚合与特征变换解耦，在图表示学习中展现出良好性能。现有解耦 GCN 首先利用简单神经网络（如 MLP）学习节点的隐藏特征，然后在图上以固定步数传播所学特征以聚合多跳邻域信息。尽管有效，但该聚合操作需要以整个邻接矩阵为输入并参与模型训练，导致高昂的训练成本，阻碍其在更大图上的潜力。另一方面，由于节点属性作为输入相互独立，解耦 GCN 中使用的神经网络非常简单，无法应用先进技术进行建模。为此，我们进一步将聚合操作从解耦 GCN 中解放出来，提出一种 GCN 新范式——邻域卷积网络（NCN），其将邻域聚合结果作为输入，随后使用专为从聚合输入中提取具表达力的节点表示而定制的特殊卷积神经网络。如此，模型可继承解耦 GCN 聚合邻域信息的优点，同时构建更强大的特征学习模块。我们引入称为掩码训练的的训练策略以进一步提升模型性能。大量结果表明我们的模型在多种同配图与异配图的节点分类任务上的有效性。
引用
@article{arxiv.2211.07845,
title = {Neighborhood Convolutional Network: A New Paradigm of Graph Neural Networks for Node Classification},
author = {Jinsong Chen and Boyu Li and Kun He},
journal= {arXiv preprint arXiv:2211.07845},
year = {2022}
}
备注
8 pages, 4 figures, 2 tables, submitted to a conference of 2023