BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation

BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation

许多有代表性的图神经网络，如GPR-GNN和ChebNet，都用图谱滤波器近似图卷积。然而，现有的工作要么应用预定义的滤波器权重，要么学习它们没有必要的约束，这可能会导致滤波器过于简化或不适定。为克服这些问题，本文提出BernNet，一种具有理论支持的新型图神经网络，为设计和学习任意图谱滤波器提供了一种简单但有效的方案。特别地，对于图的规范化拉普拉斯谱上的任何滤波器，BernNet通过一个阶- k Bernstein多项式近似来估计它，并通过设置Bernstein基的系数来设计它的谱特性。此外，我们可以根据观察到的图及其相关信号学习系数(以及相应的滤波器权重)，从而实现专门针对数据的BernNet。实验表明，BernNet可以学习任意光谱滤波器，包括复杂的带阻和梳状滤波器，并在现实世界的图建模任务中取得了优越的性能 

 总结：

本文提出了BernNet，一种图神经网络，通过Bernstein多项式逼近，提供了一种简单直观的机制，用于设计和学习任意谱滤波器。与以往的方法相比，BernNet可以近似带阻滤波器和梳状滤波器等复杂滤波器，并且可以提供更好的可解释性。此外，由BernNet设计和学习的多项式滤波器总是有效的。实验表明，BernNet在合成数据集和真实数据集上的有效性均优于SOTA方法。在未来的工作中，一个有趣的方向是提高BernNet的效率