扩散卷积神经网络

我们介绍了扩散卷积神经网络（DCNNs），这是一种用于图结构数据的新模型。通过引入扩散卷积操作，我们展示了如何从图结构数据中学习基于扩散的表示，并将其作为节点分类的有效基础。DCNNs 具有多个吸引人的特性，包括一种对图数据的潜在表示，该表示在同构下不变，以及多项式时间预测和学习过程，这些过程可以表示为张量运算并高效地在 GPU 上实现。通过使用真实结构化数据集进行的多次实验，我们证明了 DCNNs 在关系节点分类任务上能够优于概率关系模型和图核方法。