图神经网络 | 最短路径图注意网络（SPAGAN）

【论文名称】SPAGAN: Shortest Path Graph Attention Network 【作者团队】Yiding Yang , Xinchao Wang , Mingli Song , Junsong Yuan，Dacheng Tao 【发表时间】2021/1/10 【机 构】史蒂文斯理工学院，浙江大学，纽约州立大学布法罗分校，悉尼大学 【论文链接】https://arxiv.org/pdf/2101.03464.pdf

本文针对图神经网络处理图像时，为了解释间接或高阶的邻域，叠加多层拓扑结构扩大感受野大小，导致模型性能下降的问题，提出了一种新颖的GCN模型，最短路径图注意网络（SPAGAN）。 SPAGAN的核心思想是利用最短路径的注意力机制，对图像全局探索，更新注意函数和节点特征，同时以迭代方式更新系数和特征，在此基础上重新计算最短路径，并进行迭代。模型结构示意图如图1所示，首先输入一张图，对于每一个中心节点，计算一组不同长度的最短路径到它的高阶邻域P，然后提取它们的特征作为路径特征，接下来，使用最短路径注意机制来计算它们相对于中心节点的注意系数，每个中心节点的特征可以根据路径的特征和它们的注意进行更新，得到使损失函数最小化的系数，最后，根据这些新的注意系数重新生成P，用于下一个训练阶段。

图1： SPAGAN结构示意图

SPAGAN与基于节点的GCN方法相比，可以对图结构进行更全面的探索，同时可以更有效地将遥远节点的信息聚合到中心节点。此外，SPAGAN在几个标准数据集的下游分类任务上进行了测试，并获得了优于现有技术的性能。

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