基于图过滤框架对图卷积滤波器灵活性的研究

摘要：

图卷积神经网络通过特征传播,学习卷积核,实现图卷积,它的核心在于卷积算子的构建.在应用具体的图数据时,卷积核的适用性往往因应用场景的不同而受到限制.本文从图过滤的角度看待卷积核,在图过滤框架下,视结点的数据特征为图信号,应用低通滤波器对其进行平滑处理,将提取的平滑图信号放在拓扑图上进行谱域中的卷积.在此过程中,局部的图结构信息将被整合进结点的相似度表征中以完成图嵌入学习.为了提高图形滤波器的灵活性,实现更精细的设计,在原有模型的基础上,本文引入新的平移参数,从而在不增加神经网络的可训练权重数量的情况下,也可以轻松控制滤波器的平滑力度以满足各种场景的滤波需求,其作用机理则是控制频率响应函数的水平位移.通过在3个引文网络和1个知识图谱上设置多种参数值执行图嵌入学习的任务,本文验证了引入平衡参数的有效性,并从图划分的角度对此提出了更为全面的见解.

关键词：图信号、图卷积神经网络、低通滤波器、平滑力度、图划分、平衡参数

分类号：TP183(自动化基础理论)

资助基金：国家重点研究发展计划项目;国家自然科学基金;国家自然科学基金;湖北省应用数学重点实验室项目

在线出版日期：2022-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：103-110