题目

几何图形卷积网络，GEOM-GCN: GEOMETRIC GRAPH CONVOLUTIONAL NETWORKS

关键字

消息传递神经网络，图卷积神经网络，图表示学习，深度学习

简介

消息传递神经网络（MPNN）已成功应用于各种现实应用中的图表示学习。但是，MPNN聚合器的两个基本弱点限制了它们表示图结构数据的能力：丢失了邻居中节点的结构信息，并且缺乏捕获解离图中的长期依赖关系的能力。很少有研究注意到不同观点的弱点。通过对经典神经网络和网络几何的观察，我们提出了一种新颖的图神经网络几何聚合方案，以克服这两个缺点。背后的基本思想是图形上的聚合可以受益于图形下方的连续空间。提出的聚合方案是置换不变的，由节点嵌入，结构邻域和双层聚合三个模块组成。我们还介绍了该方案在图卷积网络（称为Geom-GCN）中的实现，以对图执行转导学习。实验结果表明，Geom-GCN在各种开放的图形数据集上均达到了最先进的性能。

作者

Hongbin Pei，Bingzhe Wei，Kevin Chen-Chuan Chang，Yu Lei，Bo Yang