图神经网络（十三）AM-GCN: Adaptive Multi-channel Graph Convolutional Networks

本文是发表在KDD2020上的一篇文章，作者是北京邮电大学的王啸老师。现有的GCN往往是简单的聚合结构邻域的特征信息，然而GCN可能不能自适应地学习拓扑结构和节点特征之间的深层关联信息，这一弱点可能会严重阻碍GCN在某些分类任务中的能力。本文的作者提出了一种用于半监督分类的自适应多通道图卷积网络(AM-GCN)，该网络既能保留现有GCN的优点，同时又能大大增强其融合拓扑结构和节点特征的能力，其核心思想是同时从节点特征、拓扑结构和它们的组合中提取特定的和共同的嵌入，并使用注意力机制来学习嵌入的自适应重要性权重。大量的实验表明，本文的方法很大程度的提高了分类的精度。源码在这

INTRODUCTION

在INTRODUCTION方面，作者首先介绍了当前的一些GCN，通过实验结果表明当前的GCN并不能较好的自适应学习网络拓扑结构和节点特征之间的相关信息，从而提出AM-GCN为其解决方法。

本文的主要贡献为：

• 通过实验评估了GCNS在融合拓扑结构和节点特征方面的能力，并找出了GCN的不足之处。
• 提出了一种新的自适应多通道GCN框架AM-GCN，它同时在拓扑空间和特征空间上执行图形卷积运算。结合注意力机制，可以充分融合不同的信息。
• 在一系列基准数据集上的大量实验表明，AM-GCN的性能明显优于最先进的GCN，并且能够很好地从节点特征和拓扑结构中提取最多的相关性信息，适用于具有挑战性的分类任务。

PROPOSED MODEL

下面来到本文的模型，在说模型之前，首先给出本文模型的具体方法，可以先看一遍再往下看