Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB
推荐指数： #paper/⭐ #pp/图结构学习

流程

重定义同配性指标：

$$N{H}_i^k=\frac{|\mathcal{N}(i,k,c_{max})|}{|\mathcal{N}(i,k)|}\text{with}{c}_{max}=\arg \underset{c\in [1,C]}{\max }|\mathcal{N}(i,k,c)|$$
其中， N ( i , k ) = { v ∣ ( 0 o r 1 ) ≤ S h o r t e s t P a t h ( v i , v ) ≤ k } \mathcal{N}(i,k) = \{v | (0\mathrm{~or~}1) \leq \mathrm{ShortestPath}(v_{i},v) \leq k\} N(i,k)={v∣(0 or 1)≤ShortestPath(vi​,v)≤k}。（相当于重定义了N(i,k))。 N ( i , k , c ) = { v j ∣ v j ∈ N ( i , k ) , y j = c } N(i,k,c)=\{v_{j}|v_{j}\in\mathcal{N}(i,k),y_{j}=c\} N(i,k,c)={vj​∣vj​∈N(i,k),yj​=c}.

划分高通和低通掩码

$$m_i^{\mathrm{low}}=\mathbb{I}(N{H}_i^k<T),m_i^{\mathrm{high}}=\mathbb{I}(N{H}_i^k\ge T)$$

backbone

$$H^s={\tilde{A}}_{\text{mask}}\cdot \text{ReLU}\left({\tilde{A}}_{\text{mask}}\cdot X{W}_0^s\right)\cdot W_1^s,A_{\text{mask}}=A\odot {\mathbf{m}}^s$$
$$\mathbf{B}=\mathrm{softmax}\left(\left({\alpha }_{\mathrm{low}}{\mathbf{H}}^{\mathrm{low}}+{\alpha }_{\mathrm{high}}{\mathbf{H}}^{\mathrm{high}}+{\alpha }_{\mathrm{x}}{\mathbf{H}}_{\mathrm{x}}\right)\cdot {\mathbf{W}}_{\mathrm{o}}\right)$$

总结：

这篇总的来说就定义了一个同配性比，并没有什么新意。其在区分高通低通掩码的时候引入了阈值（超参），多了这个超参，就有点违背有监督、半监督分类的趋势了。