作者：CHEONG AI

來源：機器學習與知識圖譜

本文分享一篇ICLR 2021的文章AdaGCN：Adaboosting Graph Convolutional Networks into Deep Models，AdaGCN模型的核心思想是將傳統(tǒng)機器學習中AdaBoost的思想引入到圖神經(jīng)網(wǎng)絡中，另外，與之前深層圖模型直接堆疊多個卷積層不同，AdaGCN在所有網(wǎng)絡層之間共享相同的神經(jīng)網(wǎng)絡架構，然后進行遞歸優(yōu)化，類似于RNN。

Paper：https://arxiv.org/abs/1908.05081

Github：https://github.com/datake/AdaGCN

一、摘要

深度圖模型仍是一個有待研究的問題，關鍵之處在于如何有效地匯聚來自多跳鄰居節(jié)點的特征信息。在本文中，通過將AdaBoost融入到圖網(wǎng)絡中提出了一個類似于RNN的深度圖模型AdaGCN，能夠以Adaboost的方式高效的抽取多跳鄰居特征信息，不同于之前的深度圖模型直接堆疊多個卷積層，AdaGCN在所有網(wǎng)絡層之間共享相同的神經(jīng)網(wǎng)絡架構。另外，從理論角度分析了AdaGCN和現(xiàn)有的GCN模型的關聯(lián)，最后,通過大量的實驗，證明了我們的方法在不同的標簽率和計算優(yōu)勢下始終保持最先進的性能。

二、模型

首先，最簡單的兩個卷積層的GCN模型公式如下

其中輸入是節(jié)點的Raw Features，輸出是經(jīng)過兩個卷積層的最終表征。ReLU是一個非線性激活函數(shù)。但是，我們認為對于多層GCN網(wǎng)絡不需要太多的非線性變化，原因在于節(jié)點特征是簡單的一維向量而不是多維的。這個想法在SGC模型也已經(jīng)提出過，直接將非線性變化ReLU函數(shù)去除的SGC模型的匯聚公式如下所示

在SGC模型中，將RuLU操作去除后確實在一定程度上緩解了深度圖模型常出現(xiàn)的Over-Smoothing問題，并且計算效率也更快；但是，我們認為，對于這種多層堆疊的GCN網(wǎng)絡來說，沒有了ReLU操作的多層堆疊線性變換也會很大程度降低模型的表征能力，同時也通過實驗證明了這個想法。

因此，在本文中，我們提出了一個新的非線性函數(shù)來替換沒有激活函數(shù)的線性變換，公式如下所示

那么，如何使用AdaBoost？其實就是把深度模型的每一層輸出的結果放到一個弱分類器中計算，并使用了SAMME(Stagewise Additive Modeling using a Multi-class Exponential Loss function)算法將多個弱分類器結合起來

如上圖所示，我們直接使用基分類器f函數(shù)來抽取特征信息，當前層的加權錯誤概率以及基分類器的權重以如下方式計算

為了得到一個正的權重，需要保證

同時，在傳播過程中向錯誤的節(jié)點增加權重以保證其的值減少，也就是對性能差的分類器給予較少的權重

然后，利用Adaboost方法將不同層的預測結果進行組合，得到最終的預測結果

我們也提供了AdaGCN的簡化形勢

三、實驗

我們是在Cora，Citeseer，Pubmed，MS Academic和Reddit五個數(shù)據(jù)集上進行了實驗，通過run 100次實驗取平均來保證結果的置信度，取得了SOTA效果，

并且，如下圖所示，隨著模型深度增加，模型性能不會因為Over-Smoothing問題而下滑