量化深度学习中的图与特征对齐
机器学习
2021-01-27 v3 神经与进化计算
社会与信息网络
物理与社会
机器学习
摘要
我们表明图卷积网络（GCNs）的分类性能与特征、图和真值之间的对齐相关，我们使用子空间对齐度量（SAM）来量化这种对齐，该度量对应于与特征、图和真值相关的三个子空间之间成对弦距离矩阵的 Frobenius 范数。所提出的度量基于子空间之间的主角，并具有谱和几何解释。我们通过对 GCNs 极限情况的研究以及对应用于一个构造示例和多个不同来源的引文网络示例的特征与图结构进行系统性随机化，展示了 SAM 与分类性能之间的关系。该分析还揭示了图与特征对于分类目的的相对重要性。
引用
@article{arxiv.1905.12921,
title = {Quantifying the Alignment of Graph and Features in Deep Learning},
author = {Yifan Qian and Paul Expert and Tom Rieu and Pietro Panzarasa and Mauricio Barahona},
journal= {arXiv preprint arXiv:1905.12921},
year = {2021}
}
备注
Published in IEEE Transactions on Neural Networks and Learning Systems; Date of Publication: 11 January 2021