【NeurIPS 2021】BernNet: 通过Bernstein学习任意图谱滤波器

论文题目：BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation

作者：何明国，魏哲巍，黄增峰，许洪腾

通讯作者：魏哲巍，许洪腾

论文概述：当前许多具有代表性的图神经网络，如GPR-GNN和ChebNet，都使用图谱滤波器来近似图卷积。然而，现有的工作要么使用预定义的滤波器权重，要么在没有约束的情况下学习滤波器权重，这可能会导致滤波器过于简单或者不合理。为了克服这些问题，我们提出了BernNet，这是一种具有理论支持的新型图神经网络，它为设计和学习任意图谱滤波器提供了一种简单而有效的方案。对于图归一化拉普拉斯谱上的任何滤波器，BernNet通过一个K阶的Bernstein多项式逼近来估计它，并通过设置Bernstein基的系数来设计它的谱性质。我们的实验表明，BernNet可以学习任意的谱滤波器，包括复杂的带阻滤波器和梳状滤波器，并且在真实数据集图节点分类任务中取得了优异的性能。

https://www.zhuanzhi.ai/paper/208d8b242ea6738f702d164708ac5d76