Wenhui Yu1
, Zixin Zhang2
, Zheng Qin2
1Alibaba Group,
2Tsinghua University
摘要
谱图卷积对于大型图来说是非常耗时的,因此现有的图卷积网络(GCNs)通过一个多项式重构核,这个多项式几乎是固定的。
为了通过学习核从图数据中提取特征,提出了**低通协同滤波网络(LCFN)**作为一种具有可训练核的新范式。
LCFN有两个缺点:
(1)LCFN中的超图是通过挖掘用户项二部图的2跳连接来构造的,因此不使用1跳连接,导致严重的信息丢失。
(2) LCFN遵循GCNs的一般网络结构,即次优网络结构。
为了解决这些问题,我们利用二部图来直接转移图的空间,并在实验的基础上探索了最佳的网络结构。
图1 显示了二维和一维低通图卷积的比较。
虚线:超图的超边
实线:图的边
蓝色矩形:嵌入
白色矩形:特征映射
图1(a):在特征映射上的二维图卷积在LCFN的嵌入上变成二维图卷积。
图1(b):本文提出的对E的一维图卷积。
虽然E是一个二维矩阵,但它确实是一维图数据,因为E的一维在图空间,另一维在欧几里得空间。
这意味着只有行之间的邻接关系被图所定义,而列之间的邻接关系仍然由它们的位置决定。
因此,只需要一维图的卷积。
1D Low-pass Graph Convolution
Analysis of 1D LCF
在简单gcn中的传播也是一个低通图转换器。
传播与LCF的区别在于:LCF可以更彻底地去除噪声和保留信号。
→
\to
→LCF是传播的高级版本,效果更好。