科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的图卷积网络（GCN）和它之后的很多变体都在浅层时达到最佳的效果，没有充分利用图中节点的高阶邻居信息。随后产生的深层图卷积模型又不可避免产生过平滑的问题，导致无法有效区分图中不同类别的节点。针对此问题，提出了一种利用初始残差和解耦操作的自适应深层图卷积模型（ID-AGCN）。该模型首先对节点的表示转换以及特征传播进行解耦,然后在节点的特征传播过程中添加了初始残差，最后自适应地结合不同传播层得到的节点表示，针对每个节点选择其合适的局部信息和全局信息，得到含有丰富信息的节点表征，利用少部分带标签的节点进行监督训练，生成最终的节点表征。在Cora、CiteSeer和PubMed这三个数据集上的实验结果表明，ID-AGCN的分类准确率较之GCN分别提高了约3.4、2.3和1.9个百分点。可见该模型能够更好地缓解过平滑。
- 单位
