论文提出了一种新的图神经网络模型BernNet，它使用Bernstein多项式逼近任意图谱滤波器，允许网络根据数据自适应地学习滤波器参数。这种方法既能增强网络的表达能力，又保持了模型的解释性。实验显示，BernNet在滤波信号实验和真实世界节点分类任务中表现出优于传统模型的性能。
论文标题：BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation
论文作者：Mingguo He; Zhewei Wei; Zengfeng Huang; Hongteng Xu
论文地址：https://arxiv.org/pdf/2106.10994.pdf
欢迎关注小编知乎：戴鸽
一般来说，图谱滤波器需要人为预先定义，要么就是直接学习，前者一般会限制网络的表达，使得网络仅能学习有限的图，后者则缺少解释性。因此作者折了个中，提出了基于Bernstein多项式的BerNet。这种方法使用K阶Bernstein多项式逼近滤波器，并且，我们可以根据观察到数据集的图性质及其相关信号来学习系数，从而实现数据专用的BernNet。模型总体情况如图所示：
输入为一个图网络，不同图的拉普拉斯均存在某种特定的滤波器，而BernNet的方法则可以根据不同的数据调节对应的特征系数
，达到拟合该数据本身矩阵特征的效果。
方法
基于Bernstein 估计的谱滤波
首先定义一下这个滤波器。众所周知拉普拉斯矩阵可以做特征值分解得到 ，其中 为特征向量， 为特征值的对角阵。如果加入一个带有归一化效果的频谱滤波器 即可使得拉普拉斯矩阵 ，可以将特征值从[0,2]变成[0,1]。加入滤波器以后，特征值分解就可以写成：
之后的关键任务是需要用数学形式把这个滤波器函数 给定义出来，即怎么去做 函数的估计。
文章采用的方法称作Bernstein polynomial approximation，这种多项式估计的定义为：
这里 ，表示第k个Bernstein 基， 表示第 项的函数值，即对应的 的系数。
（ps：附一个wikipedia的Bernstein polynomial的示例：
将v，n的值带入以后可以得到：
对于任意连续函数
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
