有符号图神经网络：一种频率视角
机器学习
2022-08-16 v1
摘要
图卷积网络（GCN）及其变体是为仅含正链接的无符号图设计的。许多现有的 GCN 源自对位于（无符号）图上的信号的谱域分析，并且在每一卷积层中对输入特征执行低通滤波，随后进行可学习的线性变换。它们向含有正链接和负链接的有符号图的扩展带来了多个问题，包括计算不规则性和频率解释模糊，使得设计计算高效的低通滤波器具有挑战性。在本文中，我们通过有符号图的谱分析解决这些问题，并提出两种不同的有符号图神经网络，一种仅保留低频信息，另一种同时保留高频信息。我们进一步引入磁化有符号拉普拉斯算子，并利用其特征分解对有向有符号图进行谱分析。我们在有符号图的节点分类和链接符号预测任务上测试了我们的方法，并取得了最先进的性能。
引用
@article{arxiv.2208.07323,
title = {Signed Graph Neural Networks: A Frequency Perspective},
author = {Rahul Singh and Yongxin Chen},
journal= {arXiv preprint arXiv:2208.07323},
year = {2022}
}