Einfache spektrale Graphenfaltung

Graph Convolutional Networks (GCNs) haben erhebliche Aufmerksamkeit erregt und sich als vielversprechende Methoden zur Lernung von Graphdarstellungen etabliert. Die meisten GCNs leiden unter Leistungsverlust, wenn die Tiefe des Modells zunimmt. Ähnlich wie bei Convolutional Neural Networks (CNNs) verschlechtert sich die Leistung eines Netzwerks rasch, wenn keine speziell gestalteten Architekturen verwendet werden. Einige Forscher argumentieren, dass die erforderliche Nachbarschaftsgröße und die Tiefe des neuronalen Netzwerks zwei völlig orthogonale Aspekte der Graphdarstellung darstellen. Daher erweitern mehrere Methoden die Nachbarschaft, indem sie k-Schritt-Nachbarschaften von Knoten aggregieren, wobei jedoch flache neuronale Netzwerke eingesetzt werden. Diese Ansätze leiden jedoch weiterhin unter Überglättung (oversmoothing), hohen Berechnungs- und Speicherkosten. In diesem Artikel leiten wir eine Variante von GCN ab, die als Simple Spectral Graph Convolution (S²GC) bezeichnet wird, mithilfe des Markov-Diffusionskerns. S²GC steht eng in Verbindung mit spektralen Modellen und vereint die Stärken von raumlichen und spektralen Methoden. Unsere spektrale Analyse zeigt, dass die in S²GC verwendete einfache spektrale Graphfaltung einem Tiefpassfilter entspricht, das Netzwerke in wenige große Komponenten aufteilt. Unsere experimentelle Evaluation belegt, dass S²GC mit einem linearen Lerner sowohl bei Text- als auch bei Knotenklassifizierungsaufgaben konkurrenzfähig ist. Zudem erzielt S²GC Ergebnisse, die anderen state-of-the-art-Methoden für Aufgaben der Knotenclustering und Gemeinschaftsvorhersage vergleichbar sind.