EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

本文主要是介绍EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- 1 前言
- 2 问题定义
- 3 EvolveGCN思路
- 4 方法的优势与局限性
- - 4.1 优势
  - 4.2 局限性

论文地址：https://arxiv.org/pdf/1902.10191
来源：AAAI, 2020
源码地址：EvolveGCN
关键词：Dynamic Graphs, GCN

1 前言

该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph，这种方法在学习表征时需要知道结点在所有时间区间上的变化（相当于是transductive的），并且在变化比较频繁的graph上不太友好。论文提出EvolveGCN，将GCN和RNN结合，使用RNN来学习GCN的参数，以此来捕捉动态图的动态性。

2 问题定义

对于一个动态图 $G$ ，在每一个时间点 $t$ 上，可以将 $G$ 表示为 $A_t,X_t)$ ，分别表示时间 $t$ 时的邻接矩阵和特征矩阵。最终要学习的是 $G$ 中每个结点在各个时间点上的结点表征。

3 EvolveGCN思路

在这里插入图片描述
如上图所示，在时间点 $t$ 时，将 $A_t,X_t)$ 输入到模型中，可以学习到 $t$ 时的结点表征。注意，GCN的参数并不是训练得来的，而是通过RNN计算得到的。GCN在EvolveGCN中起的作用：通过 $A_t,X_t)$ 得到结点表征，但是并不会在计算表征的过程中更新GCN各层的参数。RNN在EvolveGCN中起的作用：在 $t - 1$ 时的结点表征和GCN参数的基础上更新GCN的参数，更新公式如下：
$\overbrace{\underbrace{W_{t}^{(l)}}_{\text {hidden state }}}^{\text {GCN weights }}=\operatorname{GRU}(\underbrace{\overbrace{H_{t}^{(l)}}^{\text {node embeddings }}}_{\text {input }}, \overbrace{\underbrace{W_{t-1}^{(l)}}_{\text {hidden state }}}^{\text {GCN weights }})$
或
$\overbrace{\underbrace{W_{t}^{(l)}}^{\text {GCN weights }}}_{\text {output }}=\operatorname{LSTM}(\overbrace{\underbrace{W_{t-1}^{(l)}}_{\text {input }}}^{\text {GCN weights }})$
从上可以得到，动态图的变化都保存在了GCN的参数中。在实现时，需要对RNN进行如下更改：