残差还是门控？迈向用于归纳式图表示学习的更深层图神经网络
机器学习
2019-08-27 v3 社会与信息网络
机器学习
摘要
在本文中，我们研究了利用图神经网络进行节点表示学习的问题。我们提出了一类名为循环图神经网络（RGNN）的图神经网络，以解决先前方法的不足。通过使用循环单元来捕获跨层的长期依赖关系，我们的方法能够在递归邻域扩展过程中成功识别重要信息。在我们的实验中，我们表明我们的模型类在三个基准测试上取得了 state-of-the-art 的结果：Pubmed、Reddit 和 PPI 网络数据集。我们的深入分析还表明，结合循环单元是一种简单而有效的防止图中噪声信息的方法，这使得构建更深的图神经网络成为可能。
引用
@article{arxiv.1904.08035,
title = {Residual or Gate? Towards Deeper Graph Neural Networks for Inductive Graph Representation Learning},
author = {Binxuan Huang and Kathleen M. Carley},
journal= {arXiv preprint arXiv:1904.08035},
year = {2019}
}