非递归图卷积网络
机器学习
2021-05-11 v1
摘要
图卷积网络（GCNs）是节点表示学习任务中的强大模型。然而，现有GCN模型中的节点表示通常通过跨多个图卷积层借助特定采样方法执行递归邻域聚合来生成，这可能导致冗余特征混合、不必要的信息丢失以及大量计算。因此，本文我们提出一种名为非递归图卷积网络（NRGCN）的新架构，以在节点分类背景下提升GCN的训练效率和学习性能。具体而言，NRGCN提出基于层内聚合与层独立采样来表示每个节点的不同跳数邻居。以此方式，每个节点可直接通过拼接从其各跳邻居独立提取的信息来表示，从而避免跨层的递归邻域扩展。此外，层独立采样与聚合可在模型训练前预计算，因而可大幅加速训练过程。在基准数据集上的大量实验验证了我们的NRGCN在节点分类性能和可靠性方面优于最先进的GCN模型。
引用
@article{arxiv.2105.03868,
title = {Non-Recursive Graph Convolutional Networks},
author = {Hao Chen and Zengde Deng and Yue Xu and Zhoujun Li},
journal= {arXiv preprint arXiv:2105.03868},
year = {2021}
}
备注
5 pages, 2 figures. Accepted to ICASSP 2021