文章 "交易中的神经网络：节点-自适应图形表征（NAFS）"

新评论
 

新文章 交易中的神经网络：节点-自适应图形表征（NAFS）已发布：

我们邀请您领略 NAFS（节点-自适应特征平滑）方法，这是一种创建节点表征的非参数方法，不需要参数训练。NAFS 提取每个给定节点的邻域特征，然后把这些特征自适应组合，从而形成最终表征。

近年来，图形表征学习在诸如节点聚类、链路预测、节点分类、图形分类、等各种应用场景中得到了广泛的运用。图形表征学习的目标是把图形信息编码成节点嵌入。传统的图形表征学习方法主要侧重于保存有关图形结构的信息。然而，这些方法面临两个主要限制：

  1. 浅层架构。图卷积网络（GCNs）采用多层来捕获深度结构信息，然增加层数往往会导致过度平滑，结局是无法区分节点嵌入。
  2. 可扩展性差。由于计算成本高、且内存消耗大，基于 GNN 的图形表征学习方法或许无法扩展到大幅图形。

论文《NAFS：图形表征学习的简单但难以击败的基线》的作者着手引入一种基于简单特征平滑、和自适应组合的新型图形表征方法来解决这些问题。节点-自适应特征平滑（NAFS）方法通过整合图形的结构信息和节点特征来生成卓越的节点嵌入。基于对不同节点展现出的高度变化“平滑速度”的观察，NAFS 使用低阶和高阶邻域信息自适应地平滑每个节点的特征。进而，特征融汇用来组合使用不同平滑算子提取的平滑特征。由于 NAFS 不需要训练，它显著降低了训练成本，并有效地扩展到大幅图形。


作者：Dmitriy Gizlyk

新评论