Vorhersage und Verbreitung: Grapheneuronalnetze treffen Personalisierte PageRank

Neuronale Nachrichtenübertragungsalgorithmen für die semi-überwachte Klassifikation auf Graphen haben kürzlich große Erfolge erzielt. Allerdings berücksichtigen diese Methoden bei der Klassifizierung eines Knotens nur Knoten, die wenige Übertragungsschritte entfernt sind, und die Größe dieses genutzten Nachbarschaftsbereichs ist schwer zu erweitern. In dieser Arbeit nutzen wir die Beziehung zwischen Graph Convolutional Networks (GCN) und PageRank, um ein verbessertes Propagationsverfahren basierend auf personalisiertem PageRank abzuleiten. Wir verwenden dieses Propagationsverfahren, um ein einfaches Modell, Personalized Propagation of Neural Predictions (PPNP), sowie seine schnelle Approximation, APPNP, zu konstruieren. Die Trainingszeit unseres Modells ist vergleichbar oder schneller und die Anzahl der Parameter vergleichbar oder geringer als bei früheren Modellen. Es nutzt eine große, anpassbare Nachbarschaft für die Klassifikation und kann leicht mit jedem neuronalen Netzwerk kombiniert werden. Wir zeigen, dass dieses Modell mehrere kürzlich vorgeschlagene Methoden für die semi-überwachte Klassifikation in der bislang gründlichsten Studie zu GCN-ähnlichen Modellen übertrifft. Unsere Implementierung ist online verfügbar.