论文链接：
https://www.aminer.cn/pub/61850e9691e01121084c9fed?f=cs
由于图的强大表达能力，使用图神经网络（GNN）分析图的研究越来越受到关注。GNN 将邻接矩阵和节点特征通过消息通过每个卷积层上的边缘映射到节点表示。然而，通过 GNN 传递的消息并不总是对图中的所有部分都有益。具体来说，由于图上的数据分布不同，因此收集信息所需的感受野（节点可以从中获取信息的最远节点）也不同。现有的 GNN 统一处理图的所有部分，这使得很难为每个独特的部分自适应地传递信息量最大的消息。为了解决这个问题，我们提出了两个考虑本地消息传递的正则化项：（1）Intra-Energy Reg 和（2）Inter-Energy Reg。通过实验和理论讨论，我们首先表明不同部分的平滑速度差异很大，每个部分的拓扑结构会影响平滑的方式。通过 Intra-Energy Reg，我们加强了每个部分内部的消息传递，这有利于获得更多有用的信息。通过 Inter-Energy Reg，我们提高了 GNN 区分不同节点的能力。通过提出的两个正则化项，GNN 能够自适应地过滤最有用的信息，更稳健地学习并获得更高的表现力。此外，所提出的 LEReg 可以轻松应用于具有即插即用特性的其他 GNN 模型。在几个基准上的大量实验证实，带有 LEReg 的 GNN 优于或匹配最先进的方法。有效性和效率也通过精心的实验凭经验可视化。
AMiner,让AI帮你理解科学！https://www.aminer.cn
AMiner推荐论文: LEReg: Empower Graph Neural Networks with Local Energy Regularization
猜你喜欢
转载自blog.csdn.net/AI_Conf/article/details/121251132
今日推荐
周排行