具有组合核的图神经网络，Graph Neural Networks with Composite Kernels

主题： Graph Neural Networks with Composite Kernels

摘要： 近年来，对图结构化数据的学习引起了越来越多人的兴趣。诸如图卷积网络（GCN）之类的框架已经证明了它们在各种任务中捕获结构信息并获得良好性能的能力。在这些框架中，节点聚合方案通常用于捕获结构信息：节点的特征向量是通过聚集其相邻节点的特征来递归计算的。但是，大多数聚合方案都将图中的所有连接均等化，而忽略了节点特征的相似性。本文从内核权重的角度重新解释了节点聚合，并提出了一个框架来考虑特征相似性。我们表明归一化的邻接矩阵等效于Kerin空间中基于邻居的内核矩阵。然后，我们提出功能聚集作为基于原始邻居的内核和可学习的内核的组成，以在特征空间中编码特征相似性。我们进一步展示了如何将所提出的方法扩展到图注意力网络（GAT）。实验结果表明，在一些实际应用中，我们提出的框架具有更好的性能。