简化图卷积网络
机器学习
2019-06-21 v2 机器学习
摘要
图卷积网络（GCNs）及其变体受到了广泛关注，并成为学习图表示的事实标准方法。GCNs 主要受到近期深度学习方法的启发，因此可能继承了不必要的复杂性和冗余计算。在本文中，我们通过依次去除非线性激活并合并连续层之间的权重矩阵来降低这种过度复杂性。我们从理论上分析了所得线性模型，并表明它对应于一个固定的低通滤波器后接一个线性分类器。值得注意的是，我们的实验评估表明，在许多下游应用中这些简化不会对精度产生负面影响。此外，所得模型可扩展到更大数据集，具有天然的可解释性，并相比 FastGCN 实现了高达两个数量级的加速。
引用
@article{arxiv.1902.07153,
title = {Simplifying Graph Convolutional Networks},
author = {Felix Wu and Tianyi Zhang and Amauri Holanda de Souza and Christopher Fifty and Tao Yu and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:1902.07153},
year = {2019}
}
备注
In ICML 2019. Code available at https://github.com/Tiiiger/SGC