个性化 PageRank 图注意力网络
机器学习
2022-08-30 v2
摘要
过去几年中，图神经网络（GNNs）在表示学习上的兴趣日益上升。GNNs 提供了从图结构数据中学习的通用且高效的框架。然而，GNNs 通常仅使用每个节点非常有限邻域的信息以避免过平滑。更大的邻域将为模型提供更丰富的信息。本工作中，我们将个性化 PageRank（PPR）的极限分布融入图注意力网络（GATs），以反映更大的邻居信息而不引入过平滑。直观上，基于个性化 PageRank 的消息聚合对应于无穷多层邻域聚合。我们表明我们的模型在四个广泛使用的基准数据集上优于多种基线模型。我们的实现已在线公开可用。
引用
@article{arxiv.2205.14259,
title = {Personalized PageRank Graph Attention Networks},
author = {Julie Choi},
journal= {arXiv preprint arXiv:2205.14259},
year = {2022}
}
备注
Published as a conference paper at ICASSP 2022