多视角图卷积网络与可微分节点选择
摘要：多视角数据含有互补和共识信息，通过利用多视角特征的完整整合，可以促进表示学习。由于真实世界中大多数对象通常具有潜在的连接，将多视角数据组织为异构图对于提取不同对象之间的潜在信息是有益的。由于收集邻居节点信息的能力强大，在本文中，我们应用图卷积网络（GCN）来处理源自多视角数据的异构图数据，这在GCN领域仍然未被充分探索。为了提高网络拓扑质量并减轻图融合产生的噪声干扰，一些方法在图卷积过程之前进行了排序操作。这些基于GCN的方法通常对每个顶点进行排序和选择最可信的邻居节点，例如根据预定义的置信度值选择顶k个节点。然而，由于排序运算符是不可微分的，并且图嵌入学习不够灵活，这是有问题的，可能导致梯度计算被阻塞和性能不佳。为了应对这些问题，我们提出了一个联合框架，称为具有可微分节点选择的多视图图卷积网络（MGCN-DNS），由自适应图融合层，图学习模块和可微分节点选择模式组成。MGCN-DNS接受多通道图结构数据作为输入，并旨在通过可微分神经网络学习更健壮的图融合。通过与大量最先进方法在多视角半监督分类任务方面进行严格比较，验证了所提出方法的有效性。
作者：Zhaoliang Chen, Lele Fu, Shunxin Xiao, Shiping Wang, Claudia Plant, Wenzhong Guo
论文ID：2212.05124
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-15