本文介绍清华-伯克利深圳研究院数据科学与信息技术研究中心黄绍伦教授团队发布在ICLR上的文章，《Decoupled Graph Neural Networks based on Label Agreement Message Propagation》。图神经网络的解耦范式面临着由噪声或混淆边引起的传播大大降低模型性能和具有相同传播步骤和相同组合权重的每个节点限制实现最佳性能的问题。为了解决这些问题，本文提出了一种基于标签一致性消息传播的新型解耦图模型 LA-DGNN，该模型基于多层感知器训练基本预测器，利用辅助标签协议模型来生成适当的边缘权重以促进可靠传播。训练基础预测器时，在每个传播步骤之后连接所有中间特征，以使模型动态学习不同距离的邻居信息。作者在五个真实世界数据集上进行的大量实验表明，该方法在节点分类精度方面比所有基线方法都具有更卓越的性能。
LA-DGNN模型如上图所示，在特征传播过程之后基于增强特征训练分类器，然后应用标签传播过程来平滑预测。为了保证正确的传播路径，作者基于已知标签训练了一个标签一致性预测模型。为了获得每个节点的最佳感受野，作者将每个传播步骤后的特征组合成一个向量，输入基分类器。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢