SStaGCN：基于简化堆叠的图卷积网络
机器学习
2024-12-12 v2 机器学习
摘要
图卷积网络 (GCN) 是一种在各种图结构数据学习任务中被广泛研究的强大模型。然而，为缓解过平滑现象并处理异质图结构数据，GCN 模型的设计仍是一个亟待研究的关键问题。本文中，我们利用堆叠与聚合的思想提出一种称为 SStaGCN（基于简化堆叠的 GCN）的新型 GCN，其是一个应对异质图数据的自适应通用框架。具体而言，我们首先使用堆叠的基模型提取图的节点特征。随后，采用均值、注意力与投票技术等聚合方法进一步增强节点特征提取能力。此后，节点特征被视为输入并送入原始 GCN 模型。此外，我们显式给出了所提模型的理论泛化界分析。在 个公开引用网络及另外 个异质表格数据上的大量实验证明了该方法相较最先进 GCN 的有效性与高效性。值得注意的是，所提 SStaGCN 能有效缓解 GCN 的过平滑问题。
引用
@article{arxiv.2111.08228,
title = {SStaGCN: Simplified stacking based graph convolutional networks},
author = {Jia Cai and Zhilong Xiong and Shaogao Lv},
journal= {arXiv preprint arXiv:2111.08228},
year = {2024}
}