AMiner推荐论文：Semi-Supervised and Self-Supervised Classification with Multi-View Graph Neural Networks

论文链接：
https://www.aminer.cn/pub/61850e9691e01121084ca0db?f=cs
图神经网络 (GNN) 在处理图结构数据方面取得了重大成功，例如知识图、引文网络、分子结构等。 然而，由于过度平滑问题，它们中的大多数通常是浅层结构。当堆叠许多层时，节点是无法区分的。最近的几项研究试图通过扩大感受野来聚合来自高阶邻居的信息来设计具有强大表达能力的深度 GNN。但是深度模型可能会引起过拟合问题。在本文中，我们提出了一种新的见解，可以基于不需要深层结构的多视图来聚合更多有用的信息。具体来说，我们首先设计了两个互补的视图来描述节点的全局拓扑和特征相似性。然后我们设计了一种注意力策略来融合节点表示，命名为 Multi-View Graph Convolutional N etowrk(MV-GCN)。此外，我们引入了一种自监督技术，通过在不同视图上的对比学习来学习节点表示，该技术可以从大量未标记的数据中学习独特的节点嵌入，称为 Multi-View Contrastive Graph Convolutional Network(MV- CGC）。最后，我们对用于节点分类的六个公共数据集进行了广泛的实验，这证明了两个提出的模型与最先进的方法相比的优越性。
AMiner,让AI帮你理解科学！https://www.aminer.cn