本文收录于IJCAL2019,作者来自浙大和悉尼大学。图卷积网络(GCN)最近在分析可表示为图的非网格结构数据方面展示了其潜力,其核心思想是通过卷积将图的局部拓扑编码为中心节点的特征。本文提出了一种新的GCN模型,称为最短路径图注意网络(SPAGAN)。与传统的GCN模型在每一层进行基于节点的关注不同,SPAGAN模型进行基于路径的关注,明确地考虑了在中心节点和它的高阶邻居之间产生最小代价或最短路径的节点序列的影响。因此,与基于节点的GCN方法相比,SPAGAN允许对图结构进行更全面、更完整的探索,并进一步更有效地将信息从遥远的邻居聚集到中心节点。作者在几个标准数据集的下游分类任务上测试SPAGAN,并实现了优于现有技术的性能。源码在这
Introduction
简单概括就是:之前的GCN模型只考虑一阶邻域或者二阶邻域节点的特征,通过简单堆叠多层GCN扩展邻域并不能获得模型性能的提升。而本文提出的模型(SPAGAN),它允许我们在单一的层次内,利用基于路径的高阶注意来探索图的拓扑信息,并进一步更新中心节点的特征。SPAGAN的核心是一种机制,它找到中心节点和它的高阶邻居之间的最短路径,然后计算一个路径到节点的注意,以更新节点特征和系数,并迭代这两个步骤。这样,每个距离节点通过一条连接中心节点的路径以最小的代价影响中