论文工作
在深度图学习领域,构建具有表达性高效的模型来处理源图和目标图之间的全局和局部演化模式是一项具有挑战性的工作,另一方面,但手工确定合适的指定谱模型需要大量的劳动,拟合它们的潜在组合和成分的难度很大。
为了解决这些问题,本文提出了利用广义图核组成的深度图谱演化网络(GSEN)来对图拓扑演化问题进行建模。在理论保证和实验验证的前提下,GSEN 可以有效拟合范围广泛的现有图核及其它们组合和构成。
论文标题:
Deep Graph Spectral Evolution Networks for Graph Topological Evolution
论文来源:
AAAI 2021
论文链接:
https://ojs.aaai.org/index.php/AAAI/article/view/16903
论文方法
2.1 基于谱进化的图拓扑演化
问题描述
原图定义为 ,为无向有权图, 表示节点集, 表示边集, 为定义边权值的邻接矩阵。归一化后的邻接矩阵定义为 , 表示度矩阵。 定义为拉普拉斯矩阵,归一化后的拉普拉斯矩阵表示为