![3c7827895227780ef2fd8b3a2b46439f.png](https://i-blog.csdnimg.cn/blog_migrate/4fc5f937f8fb5cc2454cd8409d16a821.jpeg)
题目:AM-GCN: Adaptive Multi-channel Graph Convolutional Networks
作者:王啸(北京邮电大学) 、朱美琪(北京邮电大学)、 薄德瑜(北京邮电大学)、 崔鹏(清华大学) 、石川(北京邮电大学)、 裴健(西蒙弗雷泽大学)
会议:ACM SIGKDD 2020
论文链接:http://shichuan.org/doc/86.pdf
代码与数据:https://github.com/zhumeiqiBUPT/AM-GCN
图卷积网络(GCNs)在处理图和网络数据的各种分析任务中得到了广泛的应用。然而,最近的一些研究也陆续针对GCNs的机制提出了一些质疑:GCNs能否在一个具有丰富信息的复杂图中最优地对节点特征和拓扑结构进行融合?本文首先对GCNs融合能力进行了实验探究。令人惊讶的是,我们的实验结果清楚地表明,最先进的GCNs融合节点特征和拓扑结构的能力远远达不到最优甚至令人满意的水平。而相对应的,由于GCNs不能自适应地学习拓扑结构与节点特征之间的深度相关性信息,因此在一些分类任务中,该弱点可能会严重阻碍GCNs的表达能力。因此我们的工作对“能否弥补不足,设计出一种新型的GCNs类模型,既能保留现有GCNs的优点,又能大幅度提高拓扑结构与节点特征的融合能力?”该问题进行了深入研究。针对存在的一些挑战,我们提出了一种用于半监督节点分类任务的自适应多通道图卷积网络(AM-GCN: Adaptive Multi-channel Graph Convolutional Networks)。其核心思想是能够同时从节点特征、拓扑结构及其组合中提取特殊嵌入项和公共嵌入项,并利用注意机制学习嵌入项的自适应融合权重。我们通过数据集上的大量实验表明,AM-GCN能够自适应地提取最相关的信息,并提高了分类精度与实验效果。
1 引言
图卷积网络(Graph Convolutional Networks, GCNs)作为一种学习图结构数据的神经网络,在处理图数据分析问题上表现出了极大的人气,被用于如节点分类、图分类、链路预测、推荐等任务中。典型的GCN及其变体通常采用消息传递方式,其关键步骤是特征聚合,即一个节点在每个卷积层中聚合来自其拓扑邻居的特征信息。这样&