【KDD2020】自适应多通道图卷积神经网络

本文研究如何更好聚合网络拓扑信息和特征信息。中心思想是，构造了结构图，特征图(feature graph)，以及两者的组合来提取特定的和通用的嵌入，并使用注意机制来学习嵌入的自适应重要性权重。实验发现，AM-GCN可以从节点特征和拓扑结构中提取自适应地提取相关的信息，对应不同的参数取值。 https://arxiv.org/abs/2007.02265

摘要：图卷积网络(GCNs)在处理图数据和网络数据的各种分析任务方面得到了广泛的应用。然而，最近的一些研究提出了一个问题，即GCNs是否能够在一个信息丰富的复杂图形中优化地整合节点特征和拓扑结构。在本文中，我们首先提出一个实验研究。令人惊讶的是，我们的实验结果清楚地表明，当前的GCNs融合节点特征和拓扑结构的能力远远不是最优的，甚至是令人满意的。由于GCNs无法自适应地学习拓扑结构与节点特征之间的一些深层次关联信息，这一弱点可能会严重阻碍GCNs在某些分类任务中的能力。我们能否弥补这一缺陷，设计出一种新型的GCNs，既能保留现有GCNs的优势，又能大幅度提高拓扑结构和节点特征融合的能力?为了解决这个问题，我们提出了一种自适应多通道半监督分类图卷积网络。其核心思想是同时从节点特征、拓扑结构及其组合中提取具体的和常见的嵌入，并利用注意机制学习嵌入的自适应重要度权值。我们在基准数据集上进行的大量实验表明，AM-GCN从节点特征和拓扑结构中提取了最多的相关信息，显著提高了分类精度。