Exploiting Edge Features in Graph Neural Networks

标签：开始   没有   结果   res   ali   mes   mat   tor   leak   

介绍

现如今图神经网络取得了很大进展，最典型的两个模型是GCN模型和GAT模型，然而现有的图神经模型仍然存在以下两个问题：

1. 边特征未被有效考虑。比如GAT只考虑两个节点之间是否有边(binary indicator)，GCN的边特征只能是一个实数(one-dimensional real value)，通常表示权重
2. GAT和GCN在每一层都基于最开始输入的邻接矩阵进行节点特征过滤，而原始的邻接矩阵可能是有噪声，不是最佳的

因此，这篇文章提出一个新的学习框架来增强GCN和GAT，具体的创新点可以概括为如下：

• 提出了一个能够利用多为边特征的框架，克服了上述的GAT和GCN的缺点
• 使用双重随机(doubly stocahstic)对边归一化，这显示出更好的去噪性能
• 设计了一种新的基于注意力的图网络架构，该架构不仅可以过滤节点特征，还可以跨层适应边特征
• 提出了一种编码边方向信息方式，便于学习有向图网络

模型细节

模型架构

给定包含\(N\)个节点的图，\(X \in \mathbb{R}^{N \times F}\)表示节点特征，\(E \in \mathbb{R}^{N \times N \times P}\)是边特征，其中\(E_{ij\cdot}=\mathbf{0}\)表示节点\(i,j\)直接没有边连接。文章所提出的模型如下图所示：

双随机正则化(Doubly stocahstic normalization)

本中使用边特征乘以节点特征的方式过滤节点特征，因此为了避免乘积导致输出特征尺度发生变化，边特征需要被正则化。正则化的方式如下：
\[ \tilde{E}_{ijp} = \frac{\hat{E}_{ijp}}{\sum_{k=1}^N \hat{E}_{ikp}} \\]
\[ E_{ijp} = \sum_{k=1}^N \frac{\tilde{E}_{ikp} \tilde{E}_{jkp}}{\sum_{v=1}^N \tilde{E}_{vkp}} \]
这样做完之后，边特征满足下面条件，即每行每列之和分别都是1：
\[ E_{ijp} \geq 0 \]
\[ \sum \limits_{i=1}^N E_{ijp} = \sum \limits_{j=1}^N E_{ijp} = 1 \]

EGNN(A),基于Attention的EGNN层

为了利用多维边特征，这篇文章提出了如下聚合操作：
\[ X^l = \sigma \left[ \mathop{||} \limits_{p=1}^P \left(\alpha_{\cdot \cdot p}^l(X^{l-1}, E^{l-1}_{\cdot \cdot p})g^l (X^{l-1}) \right) \right] \]
其中\(\sigma\)是激活函数，\(\alpha\)是一个产生\(N\times N \times P\)张量的函数，\(\alpha_{\cdot \cdot p}\)表示其第\(p\)个通道切片，\(g\)是节点特征变换函数。

\(\alpha^l\)就是所谓的注意力系数，\(\alpha_{ijp}\)是\(X_{i\cdot}^{l-1}\)，\(X_{j\cdot}^{l-1}\)和\(E_{ijp}\)的函数，其中\(E_{ijp}\)就是边特征的第\(p\)个通道。对于多维特征，EGNN将之看作多通道信号，每一个通道会产生单独的Attention操作，不同通道结果直接连接。对于一个特定的通道\(p\)，Attention操作如下：
\[ \alpha_{\cdot \cdot p}^l=DS(\tilde{\alpha}_{\cdot \cdot p}^l) \]
\[ \tilde{\alpha}_{ijp}^l = f^l(X_{i\cdot}^{l-1},X_{j\cdot}^{l-1})E_{ijp}^{l-1} \]
其中，\(DS\)就是双随机正则化，\(f\)可以是任何接受两个向量作为输入，输入一个标量值的Attention函数，例如：
\[ f^l(X_i^{l-1},X_j^{l-1}) = \exp \left\{ L (a^T[WX_{i\cdot}^{l-1} || WX_{j\cdot}^{l-1}]) \right\} \]
其中\(L\)是leakyReLU，\(W\)是映射矩阵，\(||\)是连接操作。

因为文章中边特征适用于过滤节点特征的，所以对于下一层，直接将attention系数作为边特征：
\[ E^l = \alpha^l \]

EGNN(C)，基于卷积的层

\[ X^l = \sigma \left[ \mathop{||} \limits_{p=1}^P (E_{\cdot \cdot p}X^{l-1}W^l) \right] \]

有向图的边特征

对于有向图，EGNN将通道\(E_{ijp}\)拓展成三个通道：
\[ [E_{ijp}, E_{jip}, E_{ijp} + E_{jip}] \]
分别代表了前向，反向和无向信息。这样在编码时，节点就会从三类邻接点中聚合信息。

Exploiting Edge Features in Graph Neural Networks

标签：开始   没有   结果   res   ali   mes   mat   tor   leak   

原文地址：https://www.cnblogs.com/weilonghu/p/12443727.html