图神经网络具有很强的图表示学习能力,在各种实际应用中取得了巨大的成功。GNN通过聚集和转换节点邻域内的信息来探索图的结构和节点特征。但是,通过理论和实证分析,我们发现GNN的聚集过程会破坏原始特征空间中的节点相似性。在许多场景中,节点相似性起着关键作用。因此,本文提出的SimP-GCN框架可以在利用图结构的同时有效地保持节点相似性。具体地说,为了平衡图结构和节点特征信息,我们提出了一种自适应地集成图结构和节点特征的特征相似性保持聚合。此外,我们使用自监督学习来显式地捕捉复杂特征之间的相似性和差异性关系。在包括3个同选型图和4个异选型图的7个基准数据集上验证了SimP-GCN的有效性。结果表明SimP-GCN优于代表性基线。进一步的研究显示了所提议的框架的各种优点。

https://arxiv.org/abs/2011.09643

成为VIP会员查看完整内容
40

相关内容

图卷积网络(简称GCN),由Thomas Kpif于2017年在论文Semi-supervised classification with graph convolutional networks中提出。它为图(graph)结构数据的处理提供了一个崭新的思路,将深度学习中常用于图像的卷积神经网络应用到图数据上。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
53+阅读 · 2020年12月1日
[WSDM2021]用于边缘流异常检测的频率因子分解
专知会员服务
11+阅读 · 2020年11月24日
【WSDM2021】拓扑去噪的鲁棒图神经网络
专知会员服务
26+阅读 · 2020年11月14日
KDD20 | AM-GCN:自适应多通道图卷积网络
专知会员服务
39+阅读 · 2020年8月26日
必读的7篇 IJCAI 2019【图神经网络(GNN)】相关论文
专知会员服务
91+阅读 · 2020年1月10日
【NeurIPS2019】图变换网络:Graph Transformer Network
KDD 18 & AAAI 19 | 异构信息网络表示学习论文解读
PaperWeekly
21+阅读 · 2019年2月25日
基于注意力机制的图卷积网络
科技创新与创业
73+阅读 · 2017年11月8日
Position-aware Graph Neural Networks
Arxiv
15+阅读 · 2019年6月11日
Arxiv
11+阅读 · 2018年10月17日
Arxiv
10+阅读 · 2018年2月4日
VIP会员
微信扫码咨询专知VIP会员