作者: 纪厚业,北京邮电大学博士生,主要关注异质图神经网络及其应用.
Geom-GCN: Geometric Graph Convolutional Networks
知乎专栏对公式支持较好, 见 https://zhuanlan.zhihu.com/c_1158788280744173568
个人公众号 图与推荐
Introduction
图神经网络(Graph Neural Network)已经成为深度学习领域最热门的方向之一。作为经典的Message-passing模型,图神经网络通常包含两步:从邻居节点收集消息message,然后利用神经网络来更新节点表示。但是Message-passing模型有两个基础性的问题:
-
丢失了节点与其邻居间的结构信息。
-
主要指拓扑模式相关的信息。
-
GNN的结构捕获能力已经有了相关论文。下图来自19ICLR GIN How Powerful are Graph Neural Networks
-
-
无法捕获节点之间的长距离依赖关系。
- 大多数MPNNs仅仅聚合k跳内的节点邻居消息来更新节点表示。但是,图上两个节点可能具有相似的结构(社区中心、桥节点),即使他们的距离很远。
- 可能的解法是将现有的GNN堆叠多层,但是这可能带来过平滑问题。
针对上述问题,本文提出了一种geometric aggregation scheme,其核心思想是:将节点映射为连续空间的一个向量(graph embedding),在隐空间查找邻居并进行聚合。
本文的主要贡献:
- 提出了一种geometric aggregation scheme,其可以同时在真实图结构/隐空间来聚合信息来克服MPNNs两个基础性缺陷。
- 提出了一种基于geometric aggregation scheme的图神经网络Geom-GCN。
- 实验验证了模型的效果。
Model
Geometric aggregation scheme
如下图所示,Geometric aggregation scheme主要包含3个部分:node embedding (panel A1-A3),structural neighborhood (panel B) 和 bi-level aggregation (panel C)。
A1->A2: 利用graph embedding技术将图上的节点(如节点 v v v)映射为隐空间一个向量表示 z v \boldsymbol{z}_{v} zv。
A2->B1:针对某一个节点 v v v(参看B2中的红色节点)周围的一个子图,我们可以找到该节点的一些邻居 N ( v ) = ( { N g ( v ) , N s ( v ) } , τ ) \mathcal{N}(v)=\left(\left\{N_{g}(v), N_{s}(v)\right\}, \tau\right) N(v)=({ Ng(v),Ns(v)},τ)。
B2:圆形虚线(半径为 ρ \rho ρ)内的节点代表了红色节点 v v v在隐空间的邻居 N s ( v ) = { u ∣ u ∈ V , d ( z u , z v ) < ρ } N_{s}(v)=\left\{u | u \in V, d\left(\boldsymbol{z}_{u}, \boldsymbol{z}_{v}\right)<\rho\right\} Ns(v)={ u∣u∈V,d(zu,zv)<ρ};圆形虚线外的节点代表了节点在原始图上的真实邻居 N g ( v ) = { u ∣ u ∈ V , ( u , v ) ∈ E } N_{g}(v)=\{u | u \in V,(u, v) \in E\} Ng(v)={ u∣u∈V,(u,v)∈E}。既然节点已经表示为向量,那么不同节点之间就有相对关系。在B2的3x3网格内,不同节点相对于红色节点有9种相对位置关系 r 1 , . . . , r 9 r_1,...,r_9 r1,...,r9