要約
グラフ畳み込みネットワーク（GCNs）は、ネットワークマイニングのノード分類タスクにおいて成功裏に応用されてきました。しかし、これらのモデルの多くは近傍集約に基づいており、通常浅層であり、「グラフプーリング」メカニズムを欠いているため、モデルが適切な全体的な情報を得ることができません。受容野を拡大するために、我々は半教師付きノード分類用の新しい深層階層的グラフ畳み込みネットワーク（H-GCN）を提案します。H-GCNはまず構造的に類似したノードを反復してハイパーノードに集約し、その後粗いグラフを元のグラフに精製して各ノードの表現を復元します。単に1ホップまたは2ホップの近傍情報だけを集約するのではなく、提案された粗化手順により各ノードの受容野が拡大され、より多くの全体的な情報が取得できます。提案されたH-GCNモデルは、さまざまな公開ベンチマークグラフデータセットで強力な実証的性能を示しており、最先端の手法を上回り、精度に関して最大5.9%の性能向上を達成しています。さらに、ラベル付けされたサンプルが少ない場合でも、我々のモデルは大幅な改善を得ています。