SoGCN：二阶图卷积网络
机器学习
2021-10-15 v1
摘要
具有多跳聚合的图卷积网络（GCN）比单跳 GCN 更具表达能力，但面临更高的模型复杂度。寻找能达到可比表达能力并最小化此副作用的最短聚合范围仍是一个开放问题。我们通过证明多层二阶图卷积（SoGC）足以获得表达具有任意系数的多项式谱滤波器的能力来回答该问题。与单跳聚合、多跳传播和跳跃连接模型相比，SoGC 具备滤波器表示完备性，同时轻量、高效且易于实现。因此，我们认为 SoGC 是一种简单设计，能够构成 GCN 的基本构建块，扮演与 CNN 中 卷积核相同的角色。我们利用 SoGC 构建二阶图卷积网络（SoGCN），并设计了一个合成数据集来验证其滤波器拟合能力以佐证这些观点。对于真实世界任务，我们在节点分类、图分类和图回归数据集的基准上展示了 SoGCN 的当前最优性能。
引用
@article{arxiv.2110.07141,
title = {SoGCN: Second-Order Graph Convolutional Networks},
author = {Peihao Wang and Yuehao Wang and Hua Lin and Jianbo Shi},
journal= {arXiv preprint arXiv:2110.07141},
year = {2021}
}
备注
15 pages, 7 figures