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