基于路径积分的异质图神经网络卷积与池化
机器学习
2023-02-28 v1 人工智能
摘要
图神经网络（GNN）将深度学习扩展至图结构数据集。类似于卷积神经网络（CNN）在图像预测上的应用，卷积层与池化层是 GNN 在图预测任务中取得成功的基础。在最初的 PAN 论文中，其使用基于路径积分的图神经网络进行图预测。具体而言，它使用一种卷积操作，该操作涉及连接消息发送方与接收方的每条路径，并具有依赖于路径长度的可学习权重，对应于最大熵随机游走。它进一步将此种卷积操作推广至称为最大熵转移（MET）的新转移矩阵。由于 MET 矩阵的对角元素与子图中心性直接相关，它为基于中心性得分的池化提供了一种试探机制。尽管最初的 PAN 论文仅考虑节点特征，我们进一步扩展其能力以处理包含节点与边特征的复杂异质图。
引用
@article{arxiv.2302.13399,
title = {Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks},
author = {Lingjie Kong and Yun Liao},
journal= {arXiv preprint arXiv:2302.13399},
year = {2023}
}