论文分享 | 一种度量和改进图神经网络中图信息使用的方法

Posted 2021-04-26 广东大数据重点实验室

//////////////////////

论文标题

Measuring and improving the use of graph information in graph neural networks

ICLR 2020

论文作者

Yifan Hou, Jian Zhang, James Cheng, Kaili Ma, Richard T. B. Ma, Hongzhi Chen, Ming-Chang Yang

报告信息

甘淳井  9月12日 14:30  腾讯会议

论文链接

https://openreview.net/forum?id=rkeIIkHKvS

/////////////////////

摘要

    本文对图神经网络中进行邻居信息聚合时邻居信息的有效性进行了探讨。该论文回顾了现有的图神经网络进行邻居信息聚合的方式并提出了一个将邻居的特征平滑性和类别平滑性纳入考量的图神经网络算法。在公开数据集上的实验表明，相比于其他图神经网络算法，该算法在分类性能上有着明显的提升。

1）问题介绍

    图是一种对对象（节点）之间的关系（边）进行建模的数据结构，图神经网络是直接在图上进行操作的深度神经网络，相比于传统的神经网络，图神经网络通过引入节点间的关联信息，从而对邻居节点的信息进行聚合。由于其良好的性能和可解释性，图神经网络成为了被广泛使用的图分析方法。

2）相关工作不足

    图数据带来的性能提升和邻居信息的质量及数量有着密切关系，而对于特定的任务，并非所有的结点都包含相关信息。现有的方法通常采用对所有节点进行（加权）聚合的方式得到节点的表达，但这种方式无法充分的对节点的有效性进行分析，因此有可能在聚合过程中引入无效甚至负面信息。

3）本文工作

    基于上述问题，本文提出了一个新的图神经网络算法，该算法的主要思想为，引入特征平滑性和类别平滑性度量准则来对聚合时使用的邻居数目，特征维数进行限制，从而充分考量邻居节点信息的有效性，从而实现更有效的邻居信息聚合。

4）实验结果

本文在公开数据集上进行了实验。

首先在公开数据集上对特征平滑性和类别平滑性进行了度量。

    其次进行试验表明了本文提出的方法和其他算法的节点分类性能比较。

    最后和基于拓扑和基于特征的方法进行比较，来表明本文提出的方法的有效性。

图文 / 甘淳井

编辑 / 梁雨宸