基于上下文结构的图的概率学习
Davide Bacciu、Federico Errica、Alessio Micheli; 21(134):1−39, 2020.
摘要
我们提出了一种新的图形结构数据表示学习方法，其中贝叶斯网络堆栈学习顶点邻域的不同分布。通过增量构建策略和分层训练，我们可以针对典型的图卷积神经网络构建更深层次的架构，在顶点之间的上下文传播方面具有优势。首先，该模型通过最大似然估计从图中学习，而不使用目标标签。然后，将监督读出应用于学习的图嵌入，以处理图分类和顶点分类任务，显示与图的神经模型的竞争结果。计算复杂性在边数上呈线性，有助于大规模数据集的学习。通过研究深度如何影响模型的性能，我们发现更广泛的环境通常会提高性能。反过来，这导致对文献中使用的一些基准进行批判性分析。
[腹肌]
[pdf格式][围兜] [代码]
