VIP內容

圖神經網絡的表達能力有限,不能正確地表示許多圖類。雖然表達性更強的圖表示學習(GRL)替代品可以區分其中一些類,但它們非常難以實現,可能可擴展性不好,而且在現實任務中也沒有顯示出比調優的GNN更好的性能。因此,設計簡單、可擴展和表達的GRL架構,同時實現真實世界的改進,仍然是一個開放的挑戰。在這項工作中,我們展示了圖重構——從圖的子圖重構圖——能夠減輕GRL體係結構目前麵臨的理論和實踐問題的程度。首先,我們利用圖重構來構建兩個新的表達圖表示類。其次,我們展示了圖重構如何提高任何GNN架構的表達能力,同時作為一個(可證明的)強大的對頂點移除的不變性的歸納偏差。通過解決7個原始GNN無法解決的圖屬性任務,我們展示了重構如何提高GNN的表達能力,同時保持其對頂點排列的不變性。此外,我們演示了它如何提高最先進的GNN的性能跨越九個真實世界的基準數據集。

//www.webtourguide.com/paper/d317e28c549e3b94855679a5a05b4fa6

成為VIP會員查看完整內容
0
6
0
參考鏈接
Top