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