作者丨纪厚业
学校丨北京邮电大学博士生
研究方向丨异质图神经网络及其应用
引言
图神经网络(Graph Neural Network)已经成为深度学习领域最热⻔的方向之一。作为经典的 Message-passing 模型,图神经网络通常包含两步:从邻居节点收集消息 message,然后利用神经网络来更新节点表示。但是 Message-passing 模型有两个基础性的问题:
1. 丢失了节点与其邻居间的结构信息:
主要指拓扑模式相关的信息;
GNN 的结构捕获能力已经有了相关论文,下图来自 19 ICLR GIN How Powerful are Graph Neural Networks。
2. 无法捕获节点之间的⻓距离依赖关系:
大多数 MPNNs 仅仅聚合 k 跳内的节点邻居消息来更新节点表示。但是,图上两个节点可能具有相似的结构(社区中心、桥节点),即使他们的距离很远;
可能的解法是将现有的 GNN 堆叠多层,但是这可能带来过平滑问题。
针对上述问题,本文提出了一种 geometric aggregation scheme,其核心思想是:将节点映射为连续空间的一个向量(graph embedding),在隐空间查找邻居并进行聚合。
本文的主要贡献:
提出了一种 geometric aggregation scheme,其可以同时在真实图结构/隐空间来聚合信息来克服 MPNNs 两个基础性缺陷;
提出了一种基于 geometric aggregation scheme 的图神经网络 Geom-GCN;
实验验证了模型的效果。
模型
Geometric Aggregation Scheme
如下图所示,Geometric aggregation scheme 主要包含 3 个部分:node embedding (panel A1-A3),structural neighborhood (panel B) 和 bi-level aggregation (panel C)。
A1->A2:利用 graph embedding 技术将图上的节点(如节点 v)映射为隐空间一个向量表示 。
A2->B1:针对某一个节点 v(参看 B2 中的红色节点)周围的一个子图,我们可以找到该节点的一些邻居