具有谱先验的稀疏图学习用于深度图卷积网络
机器学习
2022-11-04 v2 信号处理
摘要
图卷积网络（GCN）采用为具有不规则结构的数据量身定制的图滤波核。然而，简单地堆叠更多 GCN 层并不能提升性能；相反，输出会收敛到一个无信息的低维子空间，其收敛速率由图谱刻画——这就是 GCN 中已知的过平滑问题。本文提出一种稀疏图学习算法，其引入新的谱先验来计算一种图拓扑，在规避过平滑的同时保留数据固有的成对相关性。具体而言，基于多层 GCN 输出的谱分析，我们推导出图拉普拉斯矩阵 的谱先验，以增强模型表达力对过平滑的鲁棒性。随后，我们构建带谱先验的稀疏图学习问题，并通过块坐标下降（BCD）高效求解。此外，我们基于在未做谱处理时学到的原始图上的数据平滑性，优化在保真项与谱先验之间权衡的权重参数。所得 随后被归一化用于有监督 GCN 训练。实验表明，相较竞争方案，我们的方法为回归与分类任务产生了更深的 GCN 与更高的预测精度。
引用
@article{arxiv.2202.13526,
title = {Sparse Graph Learning with Spectrum Prior for Deep Graph Convolutional Networks},
author = {Jin Zeng and Yang Liu and Gene Cheung and Wei Hu},
journal= {arXiv preprint arXiv:2202.13526},
year = {2022}
}