ICMLJun, 2018
跳跃知识网络的图形表示学习
Representation Learning on Graphs with Jumping Knowledge Networks
Keyulu Xu, Chengtao Li, Yonglong Tian, Tomohiro Sonobe, Ken-ichi Kawarabayashi...
TL;DR该论文探究在图上实现深度学习表示学习的过程,提出了一种新型架构 - jumping knowledge networks(JK 网络),使每个节点可以利用不同的邻居范围以获得更好的结构感知表示,实现了最先进性能。同时,将 JK 框架与 Graph Convolutional Networks、GraphSAGE 和 Graph Attention Networks 等模型相结合,进一步提高了这些模型的性能。