散射 GCN：克服图卷积网络中的过平滑问题
机器学习
2022-01-20 v4 机器学习
摘要
图卷积网络（GCNs）通过提取结构感知特征，在处理图数据方面展现出良好前景。这催生了几何深度学习的大量工作，侧重于设计确保神经元激活符合输入图内规律性模式的网络架构。然而，在大多数情况下，图结构仅通过考虑相邻节点间激活的相似性来体现，这限制了此类方法区分图中节点的能力。在此，我们提出用几何散射变换与残差卷积来增强常规 GCN。前者实现对图信号的带通滤波，从而缓解 GCN 中常见的所谓过平滑问题，而后者用于清除所得特征中的高频噪声。我们确立了所提出的散射 GCN 的优势，既有建立散射与 GCN 特征互补益处的理论结果，也有实验结果表明，相较于领先的图神经网络（包括近期提出的、通常利用图注意力机制缓解过平滑的 GAT 网络），我们的方法在半监督节点分类上更具优势。
引用
@article{arxiv.2003.08414,
title = {Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks},
author = {Yimeng Min and Frederik Wenkel and Guy Wolf},
journal= {arXiv preprint arXiv:2003.08414},
year = {2022}
}
备注
Accepted at the Conference on Neural Information Processing Systems (NeurIPS) 2020; camera-ready version