面向图神经网络的结构感知多跳图卷积
计算机视觉与模式识别
2021-12-06 v1 机器学习
摘要
本文提出一种空间图卷积（GC）用于对图上的信号进行分类。现有GC方法局限于利用特征空间中的结构信息。此外，GC的单步仅使用来自目标节点一跳邻节点的特征。本文提出两种改进GC性能的方法：1）利用特征空间中的结构信息；2）在一步GC中挖掘多跳信息。在第一种方法中，我们定义了特征空间中的三种结构特征：特征角、特征距离与关系嵌入。第二种方法在GC中聚合多跳邻节点的节点级特征。两种方法可同时使用。我们还提出了集成所提GC的图神经网络（GNNs），用于对3D点云与引文网络中的节点进行分类。实验中，所提GNNs表现出高于现有方法的分类准确率。
引用
@article{arxiv.2112.01714,
title = {Structure-Aware Multi-Hop Graph Convolution for Graph Neural Networks},
author = {Yang Li and Yuichi Tanaka},
journal= {arXiv preprint arXiv:2112.01714},
year = {2021}
}