ACL 2018｜墨尔本大学：基于门控图神经网络的图序列学习(13)_ACL2018LongPapers基于门控图神经网络

然而，我们的架构有两个主要的限制。第一种是GGN具有固定数量的层，即使图在节点和边的数量方面可以改变大小。更好的方法是允许编码器具有动态数量的层，可能基于输入图中的直径（最长路径）。第二个限制来自Levi图转换：因为边标签表示为节点，所以它们最终共享词汇表，因此共享相同的语义空间。但这是不理想的，因为节点和边是不同的实体。一个有趣的替代方案是Weave Module Networks ，它显式地解耦节点和边表示，而不会引起参数爆炸。未来工作中，我们考虑将这两种思想结合到我们的架构中。