【论文】双曲图卷积神经网络（Hyperbolic Graph Convolutional Neural Networks），斯坦福大学| Ines Chami，斯坦福大学| Rex Ying

题目： Hyperbolic Graph Convolutional Neural Networks

摘要： 图卷积神经网络（GCNs）将图中的节点嵌入到欧几里德空间中，在嵌入具有无标度或层次结构的真实图时，欧几里德空间会产生很大的失真。双曲几何提供了一个令人兴奋的选择，因为它使嵌入具有更小的失真。然而，将广义神经网络扩展到双曲几何中，由于目前尚不清楚如何定义双曲空间中的特征变换和聚集等神经网络操作，因此提出了一些独特的挑战。此外，由于输入特征通常是欧几里德的，因此如何将特征转换为具有适当曲率的双曲型嵌入尚不清楚。本文提出了双曲图卷积神经网络（HGCN），它是第一个同时利用GCN和双曲几何的表达能力来学习层次图和无标度图的归纳节点表示的双曲型GCN。推导了双曲空间双曲面模型的GCN运算，并将欧氏输入特征映射到每层可训练曲率不同的双曲空间中的嵌入。

作者简介： Ines Chami，斯坦福大学ICME数据科学项目的硕士，她的研究方向包括计算机视觉，自然语言处理，更具体地说，多模态分析。个人主页：https://profiles.stanford.edu/ines-chami

Rex Ying，斯坦福大学计算机科学博士，他的研究主要集中在开发应用于图结构数据的机器学习算法上。个人主页：https://cs.stanford.edu/people/rexy/