[论文解读] Geometric Graph Convolutional Neural Networks.

Przemysław Spurek, Tomasz Danel+5 more|arXiv (Cornell University)|Sep 11, 2019

Advanced Graph Neural Networks参考文献 10被引用 9

一句话总结

本文提出空间图卷积网络（SGCN），一种受GCN启发的架构，通过引入节点的空间位置来建模图中的几何顺序，从而泛化GCN和CNN。通过利用空间特征和数据增强，SGCN在图像分类和分子性质预测任务上取得了最先进性能。

ABSTRACT

Graph Convolutional Networks (GCNs) have recently become the primary choice for learning from graph-structured data, superseding hash fingerprints in representing chemical compounds. However, GCNs lack the ability to take into account the ordering of node neighbors, even when there is a geometric interpretation of the graph vertices that provides an order based on their spatial positions. To remedy this issue, we propose Spatial Graph Convolutional Network (SGCN) which uses spatial features to efficiently learn from graphs that can be naturally located in space. Our contribution is threefold: we propose a GCN-inspired architecture which (i) leverages node positions, (ii) is a proper generalization of both GCNs and Convolutional Neural Networks (CNNs), (iii) benefits from augmentation which further improves the performance and assures invariance with respect to the desired properties. Empirically, SGCN outperforms state-of-the-art graph-based methods on image classification and chemical tasks.

研究动机与目标

• 解决标准GCN忽略邻居顺序的局限性，即使空间几何结构暗示了节点的自然排序。
• 开发一种将节点位置的几何信息整合到消息传递机制中的图神经网络架构。
• 通过空间感知的消息传递框架，统一GCN和CNN的归纳偏置，实现对两者的泛化。
• 通过针对空间图结构定制的数据增强技术，提升模型的鲁棒性和不变性。

提出的方法

• 提出一种空间感知的消息传递机制，在聚合过程中使用相对节点位置作为注意力或加权因子。
• 设计一种图卷积层，将节点特征与几何特征（如3D坐标）结合，生成更丰富的节点表征。
• 采用可学习的聚合函数，尊重空间邻近性，使模型能够基于几何排列区分邻居。
• 在训练过程中应用几何数据增强（如旋转、平移），以提升对空间变换的不变性。
• 使用对称的消息传递机制，在保持排列不变性的同时尊重空间结构。
• 通过忽略空间特征时退化为GCN，应用于具有固定空间布局的规则网格时退化为CNN，从而泛化GCN和CNN。

实验结果

研究问题

• RQ1 将节点空间位置整合到GCN中，是否能提升在具有固有几何结构的图数据上的性能？
• RQ2 所提出的SGCN架构如何在统一框架中泛化GCN和CNN？
• RQ3 基于几何的空间变换的数据增强在多大程度上提升了图学习任务中的鲁棒性和不变性？
• RQ4 SGCN是否在图像和分子性质预测基准上超越了现有的最先进图学习模型？

主要发现

• SGCN通过利用图构建图像中的空间结构，在图像分类基准上实现了最先进性能。
• 在分子性质预测任务中，SGCN优于现有图学习模型，展现出更强的泛化能力和不变性。
• 空间特征的整合使得节点表征更具表现力，能够捕捉仅靠连接关系无法表达的几何上下文。
• 基于空间变换的数据增强显著提升了模型在不同图配置下的鲁棒性和泛化能力。
• SGCN泛化了GCN和CNN，当空间特征被禁用时退化为GCN，当应用于具有规则晶格布局时退化为CNN。
• 该模型在保持排列不变性的同时对空间顺序保持敏感，从而能有效利用几何结构。