今天给大家介绍的是来自中国科学院自动化研究所模式识别国家实验室智能感知与计算研究中心和中国科学院大学联合发表在IJCAI2022上的文章“GraphDIVE: Graph Classification by Mixture of Diverse Experts”。为了提高GNN的性能缓解不平衡学习的预测偏差，本文学习多视图图表示并结合多视图专家（即分类器）系统提出了GraphDIVE模型，并在分子属性预测数据集上进行实验证明了该方法的有效性。
模型有三个组件：节点级聚合器、图级读取和多视图专家混合，从节点级和图级学习不同的表示。为了获得不同的图表示视图，分别在节点和图级中设置了两个超参数的不同值：α和p。α控制拓扑结构的效果，p控制表示的分布。通过对这两个超参数设置不同的值，学习不同的图表示，并将图表示中的每个视图都输入到特定的专家视图中，在每个专家视图中，用门控函数将语义相似的图分到相同的集群，为每个集群分配特定的专家进行预测，将多个MoE视图的预测结果组合，生成最终预测。
论文链接：https://www.ijcai.org/proceedings/2022/0289.pdf
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