图神经网络 |BiGCN：双向低通滤波图神经网络

Posted 2021-04-03 深度学习与图网络

论文标题 BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network 

作者团队 Zhixian Chen, Tengfei Ma, Zhihua Jin, Yangqiu Song, Yang Wang 

发表时间 2021/01/14 

机 构 香港科技大学 

论文链接 https://arxiv.org/pdf/2101.05519.pdf

本文来自智源社区

【推荐理由】本文出自香港科技大学，作者提出了一种新的图卷积神经网络模型BIGCN，将模型神经网络表示为双向低通滤波器，在大多数基准数据集的节点分类和链接预测任务中，模型优于以前的图神经网络。

图卷积网络在图结构数据上取得了巨大的成功。许多图卷积网络可以视为图信号的低通滤波器。在本文中，作者团队提出了一种新的模型BiGCN，它将模型神经网络表示为双向低通滤波器。具体而言，仅考虑原始图结构信息，还考虑特征之间的潜在相关性，因此BiGCN可以将信号与原始图和潜在特征连接图一起过滤。在大多数基准数据集的节点分类和链接预测任务中，当向节点特征添加干扰项时，本文的模型优于以前的图神经网络。

下图为一层BIGCN图示，在特征图中，di表示特征的每个维度，输入特征矩阵的行向量作为其“特征向量”。使用可学习的矩阵来捕获特征相关性。