摘要
深度图模型的设计仍需进一步研究，其中关键问题是如何高效地探索和利用不同跳数邻居的知识。在本文中，我们提出了一种新颖的RNN（递归神经网络）类深度图神经网络架构，通过将AdaBoost融入网络计算过程；所提出的图卷积网络称为AdaGCN（Adaboosting Graph Convolutional Network），具备从当前节点的高阶邻居中高效提取知识的能力，并以AdaBoost的方式将来自不同跳数邻居的知识整合到网络中。与其他直接堆叠多个图卷积层的图神经网络不同，AdaGCN在所有“层”之间共享相同的基神经网络架构，并且以递归方式优化，类似于RNN。此外，我们还从理论上建立了AdaGCN与现有图卷积方法之间的联系，展示了我们方案的优势。最后，广泛的实验表明，我们的方法AdaGCN在不同标签率下的图预测性能始终处于最先进水平，并且具有计算优势。\footnote{代码可在\url{https://github.com/datake/AdaGCN}获取。}