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

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。