面向异配性的简化图卷积
机器学习
2022-06-07 v2 社会与信息网络
摘要
近期工作表明，一种称为简单图卷积（SGC）（Wu et al., 2019）的简便快速方法——其回避了深度学习——在常见图机器学习基准上与图卷积网络（GCN）（Kipf & Welling, 2017）等深度方法具有竞争力。SGC 中图数据的使用隐式假设了同配性这一常见但非普适的图特性，即节点链接到相似的节点。本文通过合成与真实世界数据集上的实验证实，SGC 对于异配（即非同配）图确实无效。我们提出自适应简单图卷积（ASGC），其可适应同配与异配图结构。与 SGC 类似，ASGC 不是深度模型，因此快速、可扩展且可解释；此外，我们能在自然的合成数据模型上证明性能保证。在实证上，ASGC 在真实世界数据集基准的节点分类上常与近期深度模型具有竞争力。SGC 论文曾质疑图神经网络复杂性对于涉及同配网络的常见图问题是否必要；我们的结果类似地表明，尽管深度学习常取得最高性能，但异配结构本身并不必然要求这些更复杂的方法。
引用
@article{arxiv.2202.04139,
title = {Simplified Graph Convolution with Heterophily},
author = {Sudhanshu Chanpuriya and Cameron Musco},
journal= {arXiv preprint arXiv:2202.04139},
year = {2022}
}