Barron 空间用于图卷积神经网络
原文中文，约300字，阅读约需1分钟。发表于：。该研究讨论了基于图的卷积神经网络（GCNN）在 Barron 函数空间中的应用，证明了该空间是一个再生核 Banach 空间，可以通过 GCNN 的输出来有效逼近。同时估计了有界 Barron 范数函数的 Rademacher 复杂度，并指出可以有效地从随机样本中学习 Barron 空间中的函数。
本文介绍了一种利用超几何空间表达能力和嵌入高度曲率特点的归纳式超几何图卷积神经网络(HGCN)，可以学习分层和无标度图的节点表示。实验证明，HGCN 学习到的嵌入保留了分层结构，且在链路预测和节点分类中性能表现更好，改善了 Pubmed 数据集的最新技术水平。
