统一图卷积神经网络与标签传播
机器学习
2020-02-18 v1 机器学习
摘要
标签传播（LPA）与图卷积神经网络（GCN）均为图上的消息传递算法。二者均解决节点分类任务，但LPA沿图边传播节点标签信息，而GCN传播并变换节点特征信息。然而，尽管概念上相似，LPA与GCN之间的理论关系尚未被研究。在此，我们从两方面研究LPA与GCN的关系：（1）特征/标签平滑，分析一个节点的特征/标签如何在其邻居间扩散；以及（2）特征/标签影响，即一个节点的初始特征/标签对另一节点最终特征/标签的影响程度。基于我们的理论分析，我们提出了一种端到端模型，统一GCN与LPA用于节点分类。在我们的统一模型中，边权是可学习的，且LPA作为正则化辅助GCN学习恰当的边权，从而提升分类性能。我们的模型也可视为基于节点标签学习注意力权重，比现有的基于特征注意力模型更面向任务。在多个真实世界图上的实验中，我们的模型在节点分类准确率上优于最先进的基于GCN的方法。
引用
@article{arxiv.2002.06755,
title = {Unifying Graph Convolutional Neural Networks and Label Propagation},
author = {Hongwei Wang and Jure Leskovec},
journal= {arXiv preprint arXiv:2002.06755},
year = {2020}
}