基于简单截断 SVD 的异配图节点分类模型
机器学习
2021-06-25 v1
摘要
图神经网络(GNN)在节点标签具有强同配性（即相连节点标签相同）的图上表现优异。然而，它们在异配图上表现不佳。近期方法通常修改聚合方案、设计自适应图滤波器等以应对该局限。尽管如此，在异配图上的性能仍可能较差。我们提出一种简单替代方法，利用拓扑结构与节点特征的截断奇异值分解(TSVD)。我们的方法在异配图上相较最先进(state-of-the-art)方法取得高达约 30% 的性能提升。本工作是探索不同于基于聚合方法之方法的早期尝试。我们的实验结果表明，针对异配设定，探索聚合方法以外的其他替代方案可能十分重要。
引用
@article{arxiv.2106.12807,
title = {Simple Truncated SVD based Model for Node Classification on Heterophilic Graphs},
author = {Vijay Lingam and Rahul Ragesh and Arun Iyer and Sundararajan Sellamanickam},
journal= {arXiv preprint arXiv:2106.12807},
year = {2021}
}
备注
Accepted at Deep Learning on Graphs: Method and Applications (DLG-KDD 2021)