[论文解读] Topology Adaptive Graph Convolutional Networks
TAGCN 在顶点域引入带有 K-局部自适应滤波器的图卷积，使用邻接矩阵的多项式，实现优越的半监督节点分类，且无需基于谱的近似。
Spectral graph convolutional neural networks (CNNs) require approximation to the convolution to alleviate the computational complexity, resulting in performance loss. This paper proposes the topology adaptive graph convolutional network (TAGCN), a novel graph convolutional network defined in the vertex domain. We provide a systematic way to design a set of fixed-size learnable filters to perform convolutions on graphs. The topologies of these filters are adaptive to the topology of the graph when they scan the graph to perform convolution. The TAGCN not only inherits the properties of convolutions in CNN for grid-structured data, but it is also consistent with convolution as defined in graph signal processing. Since no approximation to the convolution is needed, TAGCN exhibits better performance than existing spectral CNNs on a number of data sets and is also computationally simpler than other recent methods.
研究动机与目标
- 在超越网格结构数据的任意图上激发图卷积的动机。
- 提出一种使用不同尺度邻接矩阵多项式滤波器的顶点域图卷叙算子。
- 证明多尺寸滤波器可以缓解深层网络中的信息损失并提升表示能力。
- 证明计算效率与无谱近似的特性。
- 在标准图数据集（Cora、Citeseer、Pubmed）上对 TAGCN 进行经验证实。
提出的方法
- 在顶点域定义图卷积为邻接矩阵上多项式滤波器之和：G_{c,f}^{(l)} = sum_{k=0}^{K} g_{c,f,k}^{(l)} A^{k}。
- 使用归一化的邻接矩阵 A 以确保特征值位于单位圆内以实现稳定性。
- 使用尺寸为 1 到 K 的滤波器集合（K-局部化滤波器）以避免线性投影退化。
- 证明仅含单项式的深层堆叠会收敛到对主特征向量的投影；显示多尺寸滤波器可以避免这种损失。
- 将 TAGCN 与基于谱的方法联系起来，强调 TAGCN 不使用谱分解且复杂度较低（在 A 上的度数 ≤ 2）。
- 在标准数据集上将 TAGCN 与 DCNN、ECC、ChebNet、GCN、MoNet、GAT 进行实验比较。
实验结果
研究问题
- RQ1是否可以在顶点域中对自适应、拓扑感知的局部滤波器对图卷积进行严格定义？
- RQ2与单一尺寸滤波器相比，使用一组不同尺寸的滤波器（1..K）是否可以缓解深度图卷积网络中的信息损失？
- RQ3在常见基准图上，TAGCN 相对于基于谱的方法和其他顶点域图卷积网络的表现如何？
- RQ4与基于拉普拉斯的谱方法相比，顶点域邻接多项式滤波器的计算优势是什么？
主要发现
- TAGCN 在标准基准数据集上达到更高或具竞争力的准确率。
- 尺寸为 1 与 2 的滤波器组合（K=2）在所有数据集上均表现出色。
- 在 Pubmed、Citeseer 和 Cora 上，TAGCN 的性能优于多个谱基和顶点域基线（包括 GCN、ChebNet、MoNet、DCNN、ECC、MoNet、GAT）。
- 该方法仅需要邻接矩阵的最高次数为 2 的多项式，相对于高次数谱方法降低了计算复杂度。
- TAGCN 与图信号处理卷积一致，且可应用于有向和无向图。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。