本文收录于ICLR2020,作者是吉林大学的杨博老师。我们知道,GCN的本质其实是消息传递神经网络,但是MPNN有着两个基本缺陷限制了其表示图结构信息的能力:丢失邻域中节点的结构信息,以及不能捕获异类图中的长范围依赖关系。为了解决这两个缺陷本文提出了Geom-GCN,其背后的基本思想是图上的聚集可以受益于图下的连续空间。所提出的聚集方案是排列不变的,由节点嵌入、结构邻域和双层聚合三个模块组成。直接看模型:
Model![在这里插入图片描述](https://img-blog.csdnimg.cn/20210320155422371.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzE5ODEyMg==,size_16,color_FFFFFF,t_70#pic_center#pic_center)
这篇文章的框架就是这副图,模型主要包括三个部分,节点嵌入,结构邻域和双层聚合。因此本文的核心思想就是将节点映射为连续空间的一个向量,在隐空间查找邻居并进行聚合。
节点嵌入
首先将图中的节点映射到一个潜在的连续空间,文中指的是二维空间,映射方法文中采用了以下三种方法:
- Isom