图神经网络中的优先级传播
机器学习
2023-11-07 v1
摘要
图神经网络（GNNs）近来受到显著关注。在 GNNs 中学习节点级消息传播旨在为图中不同节点设定个性化的传播步数。尽管取得了成功，现有方法忽略了可由节点影响力和异配性反映的节点优先级。本文提出一个通用框架 PPro，可集成于大多数现有 GNN 模型，旨在学习 GNNs 中优先化的节点级消息传播。具体而言，该框架由三部分组成：骨干 GNN 模型、决定节点最优传播步数的传播控制器，以及计算节点优先级分数的权重控制器。我们设计了一种相互增强机制来计算节点优先级、最优传播步数和标签预测。我们还提出了一种交替优化策略来学习骨干 GNN 模型与两个参数化控制器的参数。我们进行了大量实验，在 8 个基准数据集上将我们的框架与其他 11 个最先进的竞争对手进行比较。实验结果表明，我们的框架在传播策略和节点表示方面均能带来优越性能。
引用
@article{arxiv.2311.02832,
title = {Prioritized Propagation in Graph Neural Networks},
author = {Yao Cheng and Minjie Chen and Xiang Li and Caihua Shan and Ming Gao},
journal= {arXiv preprint arXiv:2311.02832},
year = {2023}
}