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。