图神经网络(GNNs)在各种网络相关任务已被证明是非常有效的。大多数现有的GNN通常利用节点特征的低频信号,这就产生了一个基本的问题: 低频信息是我们在现实应用中所需要的全部吗?在本文中,我们首先提出了一个实验研究来评估低频和高频信号的作用,结果清楚地表明,探索低频信号与在不同场景下学习有效的节点表示是遥远的。在GNN中,我们如何自适应地学习低频信息以外的更多信息?一个可行的方案可以帮助GNNs增强适应性。针对这一问题,我们提出了一种具有自适应机制的频率自适应图卷积网络(FAGCN),该网络能够在消息传递过程中自适应地整合不同的信号。为了加深理解,我们从理论上分析了低频信号和高频信号在学习节点表示上的作用,进一步解释了为什么FAGCN能在不同类型的网络上表现良好。在六个真实网络上的广泛实验证实,FAGCN不仅缓解了过度平滑的问题,而且比最先进的技术有优势。

https://www.zhuanzhi.ai/paper/7cfc3401bf12182d85c24e8231e760ec

成为VIP会员查看完整内容
57

相关内容

【AAAI2021】记忆门控循环网络
专知会员服务
47+阅读 · 2020年12月28日
【AAAI2021】层次推理图神经网络
专知会员服务
68+阅读 · 2020年12月27日
专知会员服务
107+阅读 · 2020年12月21日
专知会员服务
44+阅读 · 2020年12月20日
【WSDM2021】保存节点相似性的图卷积网络
专知会员服务
40+阅读 · 2020年11月22日
KDD20 | AM-GCN:自适应多通道图卷积网络
专知会员服务
38+阅读 · 2020年8月26日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
【KDD2020】复杂异构网络中的高阶聚类
专知
8+阅读 · 2020年8月27日
KDD20 | AM-GCN:自适应多通道图卷积网络
专知
8+阅读 · 2020年8月26日
【NeurIPS2019】图变换网络:Graph Transformer Network
Arxiv
10+阅读 · 2020年6月12日
Arxiv
5+阅读 · 2019年9月25日
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
Arxiv
11+阅读 · 2018年10月17日
VIP会员
相关VIP内容
【AAAI2021】记忆门控循环网络
专知会员服务
47+阅读 · 2020年12月28日
【AAAI2021】层次推理图神经网络
专知会员服务
68+阅读 · 2020年12月27日
专知会员服务
107+阅读 · 2020年12月21日
专知会员服务
44+阅读 · 2020年12月20日
【WSDM2021】保存节点相似性的图卷积网络
专知会员服务
40+阅读 · 2020年11月22日
KDD20 | AM-GCN:自适应多通道图卷积网络
专知会员服务
38+阅读 · 2020年8月26日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
微信扫码咨询专知VIP会员