【论文标题】Node Similarity Preserving Graph Convolutional Networks 【作者团队】Wei Jin，Tyler Derr，Yiqi Wang，Yao Ma，Zitao Liu，Jiliang Tang 【发表时间】2020/11/19 【论文链接】https://arxiv.org/abs/2011.09643 【代码链接】https://github.com/ChandlerBang/SimP-GCN

【推荐理由】 本文出自密歇根州立大学汤继良团队，作者提出了一种自适应的、能够保留节点在原始特征空间中相似性的图神经网络框架，可以显式地捕获特征相似性和差异性关系，性能优于对比基线。

图神经网络（GNN）具有很强的图表征学习能力，在各种实际应用中取得了巨大的成功。gnn通过聚合和变换节点邻域内的信息来探索图的结构和节点特征。但是，通过理论和实证分析，本文作者发现 GNN 的信息聚合过程会破坏原始特征空间中的节点相似性。在许多场景下，节点相似度起着关键作用。因此，这促使本文作者提出了 SimP-GCN 框架，它可以在利用图结构的同时有效地保留节点相似性。具体而言，为了平衡图结构和节点特征信息，本文作者提出了一种自适应地集成图结构和节点特征的、能够保留特征相似度的聚合方法。此外，本文作者使用自监督学习显式地获取复杂的特征相似度和差异性关系。本文作者在包括 3 种同配图和 4 种异配图的 7 个对比基准数据集上验证了 SimP-GCN 的有效性。实验结果表明，SimP-GCN 的性能优于代表性对比基线。

图 1：SimP-GCN 架构示意图
本文的主要贡献如下： （1）通过理论分析和实验证明了 GCN 可能会损害原始的节点特征相似度。 （2）提出了一种新型 GCN 模型，可以有效地保留特征相似度并自适应地平衡图结构的信息和节点特征，同时利用它们丰富的信息。 （3）丰富的实验说明，本文提出的框架在同配图和异配图上都优于表征学习对比基线。保留特征相似度可以有效地提升 GCN 应对对抗性攻击的鲁棒性。

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