【斯坦福大学】图卷积神经网络和标签传播统一建模学习

标签传播(LPA)和图卷积神经网络(GCN)都是图上的消息传递算法。两者都解决了节点分类的任务，但是LPA将节点标签信息传播到图的边缘，而GCN传播并转换节点特征信息。然而，虽然概念相似，LPA和GCN之间的理论关系还没有得到研究。这里我们从两个方面研究了LPA和GCN之间的关系:(1)特征/标签平滑，分析一个节点的特征/标签如何扩散到它的邻居;(2)一个节点的初始特征/标签对另一个节点的最终特征/标签的影响程度。在理论分析的基础上，提出了一种统一GCN和LPA的节点分类端到端模型。在我们的统一模型中，边缘权值是可学习的，LPA作为正则化帮助GCN学习合适的边缘权值，从而提高分类性能。我们的模型也可以看作是基于节点标签的注意力学习权重，它比现有的基于特征的注意力模型更面向任务。在真实图数据的大量实验中，我们的模型在节点分类准确度方面显示出优于目前最先进的基于gcn的方法。