图卷积网络中避免自平滑的泊松核
计算机视觉与模式识别
2020-02-26 v2 机器学习
摘要
图卷积网络（GCN）现在是处理非欧几里得数据的有效工具，例如社会行为分析中的社交网络、化学领域的分子结构分析以及基于骨架的动作识别。图卷积核是 GCN 中提取节点特征的最重要因素之一，其一些改进在理论和实验上已取得了良好的性能。然而，关于不同数据类型和图结构究竟如何影响这些核性能的研究有限。大多数现有方法使用自适应卷积核来处理给定的图结构，但仍未揭示内部原因。在本文中，我们从谱图的理论分析出发，研究了现有图卷积核的性质。在考虑一些具有特定参数的设计数据集时，我们揭示了卷积核的自平滑现象。此后，我们提出了泊松核，其无需训练任何自适应核即可避免自平滑。实验结果表明，我们的泊松核不仅在最先进方法表现良好的基准数据集上表现良好，而且在合成数据集中明显优于它们。
引用
@article{arxiv.2002.02589,
title = {Poisson Kernel Avoiding Self-Smoothing in Graph Convolutional Networks},
author = {Ziqing Yang and Shoudong Han and Jun Zhao},
journal= {arXiv preprint arXiv:2002.02589},
year = {2020}
}
备注
7 pages, 3 figures