残差门控图卷积网络
机器学习
2018-04-25 v2 机器学习
摘要
社交网络、功能脑网络、基因调控网络、通信网络等图结构数据引发了将深度学习技术推广至图领域的兴趣。本文旨在设计适用于变长图的神经网络，以解决顶点分类、图分类、图回归与图生成等学习任务。现有工作多聚焦于循环神经网络(RNNs)以学习图的有意义表示，近来也引入了新型卷积神经网络(ConvNets)。本工作中，我们欲严格比较这两类基础架构以解决图学习任务。我们回顾现有图RNN与图ConvNet架构，并提出LSTM与ConvNet至任意大小图的天然扩展。随后，我们在子图匹配与图聚类两个基本图问题上设计一组解析可控实验以测试不同架构。数值结果表明，所提图ConvNets比图RNNs准确率高出3-17%且快1.5-4倍。图ConvNets亦比变分(非学习)技术准确率高36%。最后，最有效的图ConvNet架构采用门控边与残差。残差对学习多层架构起本质作用，其带来10%的性能提升。
引用
@article{arxiv.1711.07553,
title = {Residual Gated Graph ConvNets},
author = {Xavier Bresson and Thomas Laurent},
journal= {arXiv preprint arXiv:1711.07553},
year = {2018}
}