Learning discrete adaptive receptive fields for graph convolutional networks

doi:10.1007/s11432-021-3443-y

2023-11-08

PRE

DOI：10.1007/s11432-021-3443-y

原文链接

原文求助

摘要

En 中文

图邻域中的不同节点通常产生不同的重要性。在图卷积网络 (gcn) 的先前工作中，通常使用注意力机制对此类差异进行建模。但是，正如我们在论文中所证明的那样，软注意力权重会受到不希望的平滑大邻域的影响 (不要与深度gcn中的过度平滑效应相混淆)。为了解决这个弱点，我们引入了一种进行图卷积的新颖框架，其中在多跳邻域中离散选择节点以构建自适应感受野 (arf)。Arf使gcn能够摆脱软注意力权重的平滑性，并有效地探索图中的长距离依赖关系。我们进一步提出了GRARF (具有增强的自适应感受野的GCN) 作为实例，其中通过强化学习来学习构建arf的最佳策略。GRARF在来自不同领域的公共数据集上实现或匹配最先进的性能。我们的进一步分析证实，GRARF比注意模型对邻域噪声更健壮。

Keyword:

graph neural networks

receptive field

reinforcement learning