论文浅尝 | GEOM-GCN: Geometric Graph Convolutional Networks

本文介绍了GEOM-GCN,一种解决图神经网络结构信息丢失和长距离依赖关系捕捉问题的几何聚合方案。通过在连续空间进行图的节点聚合,GEOM-GCN实现了对图结构数据的高效表示,适用于知识图谱和自然语言处理等领域。实验表明,这种方法在多个数据集上提高了分类准确性。
摘要由CSDN通过智能技术生成

论文笔记整理:毕祯,浙江大学硕士,研究方向:知识图谱、自然语言处理。


        

动机

消息传递神经网络(MPNN)已成功应用于现实世界中的各种应用中。但是MPNN聚合器的两个基本弱点限制了它们表示图结构数据的能力:丢失了邻域中节点的结构信息,并且缺乏捕获散布图中的长期依赖关系的能力。很少有研究从不同角度注意到这些缺点。从对经典神经网络和网络几何的观察中,该文章提出了一种新颖的图神经网络几何聚合方案,以克服这两个弱点。背后的基本思想是,图上的聚合过程可以受益于图背后的连续空间,从而达到很好的实验效果。

概念及模型

  • 邻居结点概念的重新定义

Graph level和Node level是两种层面上的邻居结点。Graph level指的是原始拓扑图上的空间,即图1中的original graph。这一层面的邻居结点指的是一个结点直接相连的结点集合。Node level指的是node embedding层面上,即先对图做一次node embedding的预处理,那么每个结点都会有对应的连续向量空间,在该空间找离该结点距离(如欧式距离)比较近的结点的集合当作邻居结点。

    

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值