GAT和GCN的局限性

[EGNN] Exploiting Edge Features for Graph Neural Networks 基于边缘特征的图神经网络论文详解 CVPR 2019

GAT和GCN的局限性
GAT和GCNs之间的本质区别在于聚集邻居权值的方式不同:在GCNs中，用于聚集(过滤)邻居节点的权值是由独立于节点embedding的图拓扑结构定义的;而在GAT中，由于注意力机制，权值是节点embedding的函数。对图节点的分类结果表明，GAT的自适应能力使得融合节点特征和图拓扑结构的信息更加有效。

两个局限：

1、没有充分使用边的特征：GAT没有充分利用边的信息，只利用到了连接性，即在邻接矩阵中值为1表示有连接，值为0，表示不相连。然而，图中的边通常具有很多信息，例如强度、类型等。并且不仅仅是二进制的变量，可能是连续的、多维的。
GCN能够利用一维的边的特征，也就是边的权重，但是仅限于使用一维的边的特征。

2、原始邻居矩阵可能存在噪声：每个GAT或GCN层根据作为输入的原始邻接矩阵过滤节点特征。原始邻接矩阵可能存在噪声且不是最优的，这将限制滤波操作的有效性。

GAT和GCN的局限性相关推荐

【图神经网络】 - GNN的几个模型及论文解析（NN4G、GAT、GCN）
文章目录图神经网络 Neural Network for Graphs(NN4G) 论文信息摘要 NN4G模型思想 Graph Attention Network(GAT) 论文信息摘要 GAT ...
[EGNN] Exploiting Edge Features for Graph Neural Networks 利用图神经网络的边特征论文详解 CVPR 2019
文章目录 1 简介 1.1 GAT和GCN的局限性 1.2 EGNN的创新点 2 相关工作 3 EGNN网络 3.1 符号定义 3.2 EGNN和GNN的对比 3.3 Doubly stochasti ...
GCN与GAT的前世今生
GCN与GAT GAT是为了解决GCN的缺点产生的 GCN缺点: 对于同阶邻域上分配给不同邻居的权重是完全相同的,无法为邻居中不同节点指定不同的权重.这一点限制了模型对于空间信息的相关性的捕捉能力,也 ...
快速理解GNN、GCN、R-GCN、GAT
写在前面:仅用于记录自己学习快速理解GNN.GCN.R-GCN.GAT GNN GCN R-GCN GAT 观看视频链接GNN 观看视频链接GCN 观看视频链接R-GCN 观看视频链接GAT GNN ...
特征图注意力_向往的GAT（图注意力模型）
0 GRAPH ATTENTION NETWORKS的诞生随着GCN的大红大紫(可以参考如何理解 Graph Convolutional Network(GCN)?),graph领域的deep le ...
GAT - Graph Attention Network 图注意力网络 ICLR 2018
文章目录 1 相关介绍 GCN的局限性本文贡献(创新点) attention 引入目的相关工作谱方法 spectral approaches 非谱方法 non-spectral approach ...
【GAT】如何理解Graph Attention Network（注意力机制）？
论文链接:Graph Attention Networks Github链接:https://github.com/PetarV-/GAT 1 GAT的背景 2 GAT的主要结构 3 GAT的创新点是 ...
注意力模型（GAT)
Graph数据结构的两种特征: 当我们提到Graph或者网络的时候,通常是包含顶点和边的关系,那么我们的研究目标就聚焦在顶点之上.而除了结构之外,每个顶点还有着自己的特征,因此我们图上的深度学习,无外 ...
Graph Convolutional Network (图卷积GCN)
目标:为了解决非规则数据结构 - 学习图上特征映射直觉上想要找到构图结点的特征,一定是与其相关的结点.连接的边有关.那么就直接把每个顶点比如1号结点相邻的结点找出来,虽然相邻的个数可能不一样,设个最 ...

GAT和GCN的局限性

GAT和GCN的局限性相关推荐

最新文章

热门文章