《Geom-GCN》论文中几何图卷积网络的具体应用场景有哪些？

本文共计2933个文字，预计阅读时间需要12分钟。

：Geom-GCN：几何图卷积网络

作者：裴宏斌，魏冰珍，K. Chang，雷宇，杨波

来源：2020，ICLR

下载代码：[代码下载链接]

摘要：MPNN 存在的问题：即丢失了节点信息。

Paper Information

Title：Geom-GCN: Geometric Graph Convolutional Networks
Authors：Hongbin Pei, Bingzhen Wei, K. Chang, Yu Lei, Bo Yang
Sources：2020, ICLR
Paper：Download
Code：Download

Abstract

　　MPNN 存在的问题：即丢失了节点与其邻居间的结构信息和无法捕获节点之间的长距离依赖关系。

　　本文模型：Geom-GCN: Geometric Graph Convolutional Networks

　　其中 Aggregation scheme 有三个 modules ：node embedding、structural neighborhood、bi-level aggregation 。

1 Intriduction

　　在每一层 MPNN 中，每个节点向其邻域内的节点发送其特征表示，即一条“消息”；然后通过聚合从邻域收到的所有“消息”来更新其特征表示。

　　MPNNs 的 Aggregator 存在的问题一：Aggregator 丢失了节点与其邻居间的结构信息。如 GCN 单纯考虑了 一阶邻居的信息，并没有考虑邻居节点的不同，稍微好一点的工作有 GAT ，好在分配权重的观点。对于该问题采用下图做例子：

　　　　

　　同构图：同构图是指图中节点类型和关系类型（边的类型）都仅有一种。
　　异构图：与同构图相反，异构图指图中节点类型或关系类型多于一种。