Vorhersagen und dann Verbreiten: Graph-Neuronale Netze treffen auf Personalisierte PageRank

Neuronale Nachrichtenübertragungsalgorithmen für halbüberwachte Klassifikation auf Graphen haben kürzlich große Erfolge erzielt. Für die Klassifizierung eines Knotens berücksichtigen diese Methoden jedoch nur Knoten, die einige Propagationsschritte entfernt sind, und die Größe dieser genutzten Nachbarschaft ist schwer zu erweitern. In dieser Arbeit verwenden wir die Beziehung zwischen Graph-Convolutional Networks (GCN) und PageRank, um ein verbessertes Propagationsschema basierend auf personalisiertem PageRank abzuleiten. Wir nutzen dieses Propagationsverfahren, um ein einfaches Modell, die personalisierte Propagation neuronaler Vorhersagen (PPNP), und dessen schnelle Approximation, APPNP, zu konstruieren. Die Trainingszeit unseres Modells ist vergleichbar oder schneller, und die Anzahl der Parameter entspricht oder ist geringer als bei bisherigen Modellen. Es nutzt eine große, einstellbare Nachbarschaft für die Klassifikation und kann leicht mit jedem neuronalen Netzwerk kombiniert werden. Wir zeigen, dass dieses Modell mehrere kürzlich vorgeschlagene Methoden für halbüberwachte Klassifikation in der bisher umfassendsten Studie für GCN-ähnliche Modelle übertrifft. Unsere Implementierung ist online verfügbar.