图网络 MixHop 简介
1 模型提出
标题：MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing
链接：https://arxiv.org/abs/1905.00067
标准GCH只能学习到相邻结点之间的信息，不能学习邻里混合关系。
为了解决这个缺点，作者提出了一个新的模型，MixHop，通过重复混合不同距离的邻居的特征表示，它可以学习这些关系，包括不同的运算子。MixHop不需要额外的内存或计算复杂性，并且在具有挑战性的基线上表现优异。
此外，作者提出稀疏正则化，使我们可以可视化网络如何优先考虑不同图数据集的邻域信息。
对学习的体系结构的分析表明，邻域混合随着数据集的不同而不同。
MixHop 的三个假设
-
H1:：MixHop模型学习delta运算符。
-
H2：在真正的半监督学习任务中，使用邻域混合的高阶图卷积可以比现有方法(例如标准GCNs)表现更好。
-
H3：学习MixHop的模型架构时，每个图的最佳性能架构是不同的。
2 模型结构
高阶信息的传递
在信息传递过程中，节点从它们的直接节点(一级)邻