摘要
我们介绍了扩散卷积神经网络（DCNNs），这是一种用于图结构数据的新模型。通过引入扩散卷积操作，我们展示了如何从图结构数据中学习基于扩散的表示，并将其作为节点分类的有效基础。DCNNs 具有多个吸引人的特性，包括一种对图数据的潜在表示，该表示在同构下不变，以及多项式时间预测和学习过程，这些过程可以表示为张量运算并高效地在 GPU 上实现。通过使用真实结构化数据集进行的多次实验，我们证明了 DCNNs 在关系节点分类任务上能够优于概率关系模型和图核方法。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| node-classification-on-citeseer-05 | DCNN | Accuracy: 53.1% |
| node-classification-on-citeseer-1 | DCNN | Accuracy: 62.2% |
| node-classification-on-citeseer-with-public | DCNN | Accuracy: 69.4% |
| node-classification-on-cora-05 | DCNN | Accuracy: 59.0% |
| node-classification-on-cora-1 | DCNN | Accuracy: 66.4% |
| node-classification-on-cora-3 | DCNN | Accuracy: 76.7% |
| node-classification-on-cora-with-public-split | DCNN | Accuracy: 79.7% |
| node-classification-on-pubmed-003 | DCNN | Accuracy: 60.9% |
| node-classification-on-pubmed-005 | DCNN | Accuracy: 66.7% |
| node-classification-on-pubmed-01 | DCNN | Accuracy: 73.1% |
| node-classification-on-pubmed-with-public | DCNN | Accuracy: 76.8% |