用于异配图学习的置换等变图框架小波
机器学习
2023-10-18 v3 人工智能
社会与信息网络
泛函分析
摘要
异配图的性质与同配图显著不同，这给早期的图神经网络模型带来困难，并提示需要在 1-hop 邻域之外进行聚合。在本文中，我们开发了一种通过构造具有置换等变、高效和稀疏所需性质的 Haar 型图框架小波来实现多尺度提取的新方法，用于图上的深度学习任务。我们进一步基于所构造的图框架小波设计了一个图框架小波神经网络模型 PEGFAN（置换等变图框架小波增强网络）。实验在一个合成数据集和 9 个基准数据集上进行，以与其他最先进模型比较性能。结果表明，我们的模型在某些异配图数据集（包括大多数规模相对较大、连接较密集的异配数据集）上取得了最佳性能，并在其余数据集上具备有竞争力的性能。
引用
@article{arxiv.2306.04265,
title = {Permutation Equivariant Graph Framelets for Heterophilous Graph Learning},
author = {Jianfei Li and Ruigang Zheng and Han Feng and Ming Li and Xiaosheng Zhuang},
journal= {arXiv preprint arXiv:2306.04265},
year = {2023}
}