Semi-Supervised Classification with Graph Convolutional Networks

Metadane

• Autorzy: Thomas N. Kipf, Max Welling
• Rok: 2017
• Źródło: ICLR 2017
• Status: to-read
• Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
• Tagi: to-read reference gcn graph-convolutional-networks semi-supervised

Streszczenie

Fundamentalna praca wprowadzająca Graph Convolutional Networks (GCN) do semi-supervised node classification. Definiuje aggregation function:

Θ^(k) = σ(Â Θ^(k-1) W^(k))

gdzie  = D̃^(-1/2) à D̃^(-1/2), à = A + I_N (self-loops), D̃ - diagonal degree matrix.

Model iteracyjnie agreguje informację z sąsiadów poprzez graph convolution operations. Pokazano state-of-the-art wyniki na Cora, Citeseer, Pubmed benchmarks.

Kluczowe Wnioski

• Pierwsze efektywne spektralne podejście do graph convolutions
• Localized first-order approximation Chebyshev filters
• Self-loops (adding identity) kluczowe dla stability
• Semi-supervised learning z małą liczbą labels (~140 na Cora)
• Foundation dla większości późniejszych GNN architectures

Notatki

Publikacja dodana automatycznie z bibliografii. Podstawowy model GNN używany w eksperymentach EDoG - jest targetem wszystkich rozważanych ataków.

Relevancja dla xu-edog-adversarial-2023:

• 2-layer GCN używany jako target model dla attacks i jako component w detection (LinkPred, GraphGenDetect)
• Benign accuracy: Cora 81.9%, Citeseer 69.7%
• Standard training setup z tej pracy (140/120 labeled nodes)