残差双曲线图卷积网络
机器学习
2024-12-06 v1
摘要
双曲线图卷积网络（HGCN）已展示出建模分层结构图的表征能力。然而，正如在一般图卷积网络中一样，随着模型层数的增加，可能出现平滑过度的问题，这限制了大多数当前HGCN模型的表征能力。本文提出残差双曲线图卷积网络（R-HGCN），以解决平滑过度问题。我们引入双曲线残差连接函数以克服平滑过度问题，并理论证明了双曲线残差函数的有效性。此外，我们使用积样本曲线和HyperDrop来促进R-HGCN的训练。R-HGCN的独特特征如下：（1）双曲线残差连接在每个层面保留初始节点信息，并添加双曲线恒等映射，以防止节点特征变得不可区分。（2）R-HGCN中的积样本曲线被设置为在不同组件中具有不同的原点，以便从更广泛的视角角度提取特征信息，这增强了R-HGCN的表征能力。（3）HyperDrop将乘性高斯噪声注入双曲线表示中，以便在不破坏双曲线几何结构的情况下添加扰动以缓解过拟合问题。实验结果表明，在各种图卷积层和不同结构的积样本曲线下，R-HGCN的有效性得到了验证。
引用
@article{arxiv.2412.03825,
title = {Residual Hyperbolic Graph Convolution Networks},
author = {Yangkai Xue and Jindou Dai and Zhipeng Lu and Yuwei Wu and Yunde Jia},
journal= {arXiv preprint arXiv:2412.03825},
year = {2024}
}