.png){kind=icon}
返回
Stable Representation Learning via Generalized Learnable Graph Scattering Transform
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2026.3660885.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图散布网络（GSNs）通常是不可训练的图卷积网络，它们通过具有理论稳定性保证的分析图小波实现多层表示学习，但在表示学习的灵活性和容量方面受到限制。近期关于可训练GSNs的尝试为图小波引入了可学习参数，但仍局限于小波族和模非线性。为解决此问题，本文提出了首个广义可学习图散布变换（GST），它使用具有Lipschitz连续非线性的一般类自适应带通图滤波器实现稳定的表示学习。所提出的GST从任意的非负Lipschitz连续函数（包括图小波族和多项式函数）中学习带通图滤波器。我们在理论上证明，采用所提出GST构建的可学习图散布网络（GSNs）确保学习到的表示差异的上界仅与图信号和拓扑的扰动相关。此外，所提出的GST被推广到具有理论稳定性保证的Lipschitz连续非线性（如双曲正切和ReLU函数），超越了模运算。实验结果表明，所提出的GSNs在图和节点分类任务中显著优于现有的图散布网络，并通过学习多尺度带通表示在节点分类中达到最先进性能。
Keyword:
Graph scattering transform
graph representation learning
stability
期刊
I
IF:
5.8
论文数:
345
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容