一种融合局部与全局信息的模型无关图神经网络
机器学习
2024-11-19 v4 人工智能
机器学习
摘要
图神经网络（GNNs）已在多种以图为中心的任务中取得令人瞩目的性能。然而，尽管取得成功，现有 GNN 仍存在两个显著局限：因其黑盒性质导致结果缺乏可解释性，以及无法学习不同阶数的表示。为解决这些问题，我们提出一种新颖的模型无关图神经网络（MaGNet）框架，其能有效整合各阶信息、从高阶邻居中提取知识，并通过识别有影响力的紧致图结构提供有意义且可解释的结果。具体而言，MaGNet 由两个组件构成：一个用于图拓扑下复杂关系潜在表示的估计模型，以及一个识别有影响力节点、边与节点特征的解释模型。理论上，我们通过经验 Rademacher 复杂度建立了 MaGNet 的泛化误差界，并展示了其表示逐层邻域混合的能力。我们利用模拟数据开展了全面的数值研究，以证明 MaGNet 相较于若干最先进替代方法的优越性能。此外，我们将 MaGNet 应用于一项从脑活动数据中提取任务关键信息的真实案例研究，从而凸显其在推进科学研究中的有效性。
引用
@article{arxiv.2309.13459,
title = {A Model-Agnostic Graph Neural Network for Integrating Local and Global Information},
author = {Wenzhuo Zhou and Annie Qu and Keiland W. Cooper and Norbert Fortin and Babak Shahbaba},
journal= {arXiv preprint arXiv:2309.13459},
year = {2024}
}