防止超图神经网络的过平滑
机器学习
2022-11-03 v2
摘要
近年来，超图学习因其表示复杂高阶关系的能力而备受关注。然而，当前为超图设计的神经网络方法大多较浅，从而限制了其从高阶邻居提取信息的能力。本文中，我们从理论和经验上表明，超图神经网络的性能不会随层数增加而提升，即所谓的过平滑问题。为避免此问题，我们提出了一种称为 Deep-HGCN 的新型深度超图卷积网络，它能在深层中保持节点表示的异质性。具体而言，我们证明 层 Deep-HGCN 模拟一个具有任意系数的 阶多项式滤波器，从而可缓解过平滑问题。在多个数据集上的实验结果表明，所提模型相较于最先进的（SOTA）超图学习方法具有优越性能。
引用
@article{arxiv.2203.17159,
title = {Preventing Over-Smoothing for Hypergraph Neural Networks},
author = {Guanzi Chen and Jiying Zhang and Xi Xiao and Yang Li},
journal= {arXiv preprint arXiv:2203.17159},
year = {2022}
}