仅一层参数提速500倍！上交大提出简单高效的半监督图嵌入算法

文章预览

©PaperWeekly 原创 · 作者 |  Jianwu Zheng 单位 |  上海交通大学 研究方向 |  数据管理与人工智能 近年来，神经网络（深度学习）主导了人工智能领域，并推动了大模型技术的蓬勃发展。然而，该论文引发了两个看似不相关却极具启发性的问题，可能会改变我们对现有技术的看法。 论文标题： From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited 论文链接： https://arxiv.org/pdf/2309.13599 代码链接： https://github.com/zhengwang100/ogc_ggcm 研究问题 第一个问题聚焦在图深度学习领域： 为什么图神经网络（GCNs）会遭遇过渡平滑（oversmoothing）的问题，而传统的浅层方法却没有这种困扰，尽管它们都采用了相似的邻居信息聚合策略？ 针对此问题，此论文给出了答案： 相对于传统的浅层方法，典型的 GCNs 是一类“次优”方法。 即 GCNs 在每一层无法同时 ………………………………