摘要
我们提出了一种新型的图结构数据谱卷积神经网络（CNN）模型，称为分布式反馈回路网络（Distributed Feedback-Looped Networks, DFNets）。该模型引入了一类稳健的谱图滤波器——反馈回路滤波器（feedback-looped filters），在保持快速收敛速度和线性内存消耗的同时，显著提升了对图顶点的局部化能力。理论上，反馈回路滤波器能够保证在指定误差边界下的收敛性，并可普适地应用于任意图结构，无需预先了解图的具体拓扑信息。此外，该模型的传播机制能够从前序层中多样化地提取特征，从而生成强大的梯度流。我们在两个基准任务上对所提模型进行了评估：基于引文网络的半监督文档分类任务，以及基于知识图谱的半监督实体分类任务。实验结果表明，无论在何种数据集上，我们的模型在两项基准任务中均显著优于现有最先进方法。