通过跨拓扑与特征空间学习表示重新审视图卷积网络中的异配性
机器学习
2022-11-03 v2
摘要
图卷积网络（GCNs）在多个基于图的机器学习任务中学习表示方面取得了巨大成功。具体到学习丰富的节点表示，大多数方法仅依赖同配假设，并在异配图上表现出有限性能。尽管已提出若干具有新架构的方法来应对异配性，我们认为通过跨两个空间（即拓扑空间和特征空间）学习图表示，GCNs 可以解决异配性。在这项工作中，我们通过跨拓扑和特征空间学习并组合表示，在半监督节点分类任务上，于同配和异配图基准上实验展示了所提出 GCN 框架的性能。
引用
@article{arxiv.2211.00565,
title = {Revisiting Heterophily in Graph Convolution Networks by Learning Representations Across Topological and Feature Spaces},
author = {Ashish Tiwari and Sresth Tosniwal and Shanmuganathan Raman},
journal= {arXiv preprint arXiv:2211.00565},
year = {2022}
}
备注
Under Review Project Page: https://sites.google.com/iitgn.ac.in/hetgcn/home