【论文标题】BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network 【作者团队】Zhixian Chen, Tengfei Ma, Zhihua Jin, Yangqiu Song, Yang Wang 【发表时间】2021/01/14 【机 构】香港科技大学 【论文链接】https://arxiv.org/pdf/2101.05519.pdf

【推荐理由】本文出自香港科技大学，本文提出了一种新的图卷积神经网络模型BIGCN，将模型神经网络表示为双向低通滤波器，在大多数基准数据集的节点分类和链接预测任务中，模型优于以前的图神经网络。

图卷积网络在图结构数据上取得了巨大的成功。 许多图卷积网络可以视为图信号的低通滤波器。 在本文中，作者团队提出了一种新的模型BiGCN，它将模型神经网络表示为双向低通滤波器。 具体而言，我们不仅考虑原始图结构信息，还考虑特征之间的潜在相关性，因此BiGCN可以将信号与原始图和潜在特征连接图一起过滤。 在大多数基准数据集的节点分类和链接预测任务中，当我们向节点特征添加干扰项时，本文的模型优于以前的图形神经网络。

下图为一层BIGCN图示，在特征图中，di表示特征的每个维度，输入特征矩阵的行向量作为其“特征向量”。 使用可学习的矩阵来捕获特征相关性。

图1 BIGCN图示

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