图卷积神经网络的非线性状态空间推广
信号处理
2021-02-15 v2 机器学习
摘要
图卷积神经网络（GCNN）通过将线性图卷积嵌套于非线性中来从网络数据学习组合表示。在这项工作中，我们从状态空间的角度研究 GCNN，揭示出图卷积模块是一个极简的线性状态空间模型，其中状态更新矩阵是图移位算子。我们表明这种状态更新可能存在问题，因为它是非参数化的，并且根据图谱的不同可能会爆炸或消失。因此，GCNN 必须在从数据中提取特征和处理这些不稳定性之间权衡其自由度。为了改善这种权衡，我们提出了一族新的节点聚合规则，该规则以非线性状态空间参数化方式聚合层内的节点特征，从而实现更好的权衡。我们在该族内开发了两种受有无节点门控机制的递归启发的架构。所提出的解决方案推广了 GCNN，并提供了额外的手段来控制状态更新和从数据中学习。在源定位和作者归属上的数值结果展示了非线性状态空间推广模型相对于基线 GCNN 的优越性。
引用
@article{arxiv.2010.14585,
title = {Nonlinear State-Space Generalizations of Graph Convolutional Neural Networks},
author = {Luana Ruiz and Fernando Gama and Alejandro Ribeiro and Elvin Isufi},
journal= {arXiv preprint arXiv:2010.14585},
year = {2021}
}
备注
Accepted at the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2021)