HD-GCN:A Hybrid Diffusion Graph Convolutional Network

要約

【タイトル】Hybrid Diffusion Graph Convolutional Network：HD-GCN

【要約】
– グラフ畳み込みネットワーク（GCN）やその変種モデルの情報拡散性能は、隣接行列による制限によってパフォーマンスが低下する可能性がある。
– このため、属性行列による情報拡散の制限に対処するために、新しいフレームワークであるHybrid Diffusion-based Graph Convolutional Network（HD-GCN）を提唱する。
– HD-GCNフレームワークでは、拡散マップを最初に使用して、特徴空間で隣接するノード間の情報の拡散を促進する。これにより、隣接関係のない類似したポイント間の情報の拡散が可能になる。
– 次に、拡散マップ後、隣接するノード間で情報をさらに伝播させるためにグラフ畳み込みを使用し、グラフ上で隣接する類似したノード間での情報の拡散を可能にする。
– 最後に、拡散マップを使用して得られた拡散距離を使用して教師ノードの予測されたラベルを正則化することで、モデルを訓練する。この正則化手法は、HD-GCNトレーニングに適用され、より滑らかな分類面を生成する。
– この論文で提案されたモデルは、属性行列によって課せられる情報拡散の制限を効果的に克服する。HD-GCNは、特徴空間で近隣ノード間および隣接行列で隣接するノード間の情報拡散を組み合わせたハイブリッド拡散を使用することで、より包括的な情報伝播を実現し、モデルのパフォーマンスが向上する。
– 本研究では、3つのよく知られた引用ネットワークデータセットでDM-GCNのパフォーマンスを評価し、提案されたフレームワークがいくつかのグラフベースの半教師あり学習手法よりも効果的であることを示した。

要約(オリジナル)

The information diffusion performance of GCN and its variant models is limited by the adjacency matrix, which can lower their performance. Therefore, we introduce a new framework for graph convolutional networks called Hybrid Diffusion-based Graph Convolutional Network (HD-GCN) to address the limitations of information diffusion caused by the adjacency matrix. In the HD-GCN framework, we initially utilize diffusion maps to facilitate the diffusion of information among nodes that are adjacent to each other in the feature space. This allows for the diffusion of information between similar points that may not have an adjacent relationship. Next, we utilize graph convolution to further propagate information among adjacent nodes after the diffusion maps, thereby enabling the spread of information among similar nodes that are adjacent in the graph. Finally, we employ the diffusion distances obtained through the use of diffusion maps to regularize and constrain the predicted labels of training nodes. This regularization method is then applied to the HD-GCN training, resulting in a smoother classification surface. The model proposed in this paper effectively overcomes the limitations of information diffusion imposed only by the adjacency matrix. HD-GCN utilizes hybrid diffusion by combining information diffusion between neighborhood nodes in the feature space and adjacent nodes in the adjacency matrix. This method allows for more comprehensive information propagation among nodes, resulting in improved model performance. We evaluated the performance of DM-GCN on three well-known citation network datasets and the results showed that the proposed framework is more effective than several graph-based semi-supervised learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI