KDD 2022 | 图注意多层感知器

分享一篇北京大学崔斌教授团队发表在KDD 2022上关于图神经网络的文章:《Graph Attention Multi-Layer Perceptron》。图神经网络GNN在许多基于图的应用中取得了巨大成功。然而，大规模图的高稀疏性阻碍了它们在工业场景中的应用。虽然针对大规模图提出了一些可扩展的GNN，但它们对每个节点采用固定的𝐾-hop邻域，导致GNN模型在训练过程中对实际感知域不敏感，因此在稀疏区域内对节点采用大传播深度时,会面临过平滑问题。为了解决上述问题，作者提出了一种新的GNN架构-图注意多层感知器(GAMLP)，它可以捕捉图知识的不同尺度之间的潜在相关性。GAMLP 符合解耦 GNN 的特点，特征传播的计算与神经网络的训练分离，保证了GAMLP的可扩展性。通过在14个图数据集上的大量对比实验，表明了GAMLP在具有高可扩展性和高效率的同时，还实现了最优的性能。