图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018

五月的echo

于 2020-01-15 12:08:22 发布

阅读量1.2k

点赞数

分类专栏： GNN Model 文章标签：深度学习

本文链接：https://blog.csdn.net/qq_36618444/article/details/103983314

版权

GNN Model 专栏收录该内容

30 篇文章 174 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种名为LGCL的learnable graph convolutional layer，解决了图数据的卷积问题，通过选择最大特征值的k个节点进行1D CNN操作。还介绍了子图训练策略，以适应大规模图数据的内存和计算需求。实验表明，LGCL在节点分类和图分类任务上表现出色，并且子图训练有效地减少了计算时间。

摘要由CSDN通过智能技术生成

本文的三位作者来自华盛顿州立大学，同之前的几篇论文一样，本文也是旨在解决如何在非欧的graph中获得适用于广义卷积的子图结构，并提出模型learnable graph convolutional layer (LGCL)。LGCL根据值的排序，为每个特征自动选择固定数量的相邻节点，将图形数据转换成一维格式的网格状结构（在节点邻域矩阵上执行最大池化，得到top-k特征元素），从而可以对泛型图进行常规的卷积操作。同时，为了在大图上进行模型训练，提出了一种子图训练方法，以减少先前在图卷积上的方法所带来的过多的内存和计算资源需求。
将卷积应用到图数据上，主要需要克服两个挑战：邻居结点数量不固定；没有可以依赖的特征对邻居结点进行排序。这也是空域卷积模型都要面对的两个问题。