SPAGAN：最短路径图注意力网络
机器学习
2021-01-12 v1 人工智能
摘要
图卷积网络（GCN）近来已展现出在分析可表示为图的非网格结构数据方面的潜力。其核心思想是通过卷积将图的局部拓扑编码进中心节点的特征中。本文提出一种新颖的GCN模型，称之为最短路径图注意力网络（SPAGAN）。与在传统GCN模型中于每一层内进行基于节点的注意力不同，所提出的SPAGAN执行基于路径的注意力，其显式地考虑了在中心节点与其高阶邻居之间产生最小代价或最短路径的节点序列的影响。因此，与基于节点的GCN方法相比，SPAGAN能够对图结构进行更具信息量且更完整的探索，并进一步将来自远距离邻居的信息更有效地聚合进中心节点。我们在多个标准数据集的下游分类任务上测试了SPAGAN，并取得了优于当前最优方法的性能。代码已公开于 https://github.com/ihollywhy/SPAGAN。
引用
@article{arxiv.2101.03464,
title = {SPAGAN: Shortest Path Graph Attention Network},
author = {Yiding Yang and Xinchao Wang and Mingli Song and Junsong Yuan and Dacheng Tao},
journal= {arXiv preprint arXiv:2101.03464},
year = {2021}
}
备注
Accepted by IJCAI 2019