众多体消息传递神经网络的理论公式化
机器学习
2024-07-17 v1
摘要
我们提出众多体消息传递神经网络(MPNN)框架，用于建模更高阶节点相互作用（ 个节点）。我们将更高阶项建模为树形结构纹模，由中心节点及其邻域组成，对纹模拉普拉斯算子施加局部谱滤波器，并由全局边缘 Ricci 曲率加权。我们证明了该公式对邻居节点置换具有不变性，推导了其灵敏度界，并给出学习图势能范围的界。我们对图能量进行回归，表明其在更深更宽的网络拓扑结构下表现良好；并在具有异质性的合成图数据集上进行分类，显示其 Dirichet 能量增长始终较高。我们将开源代码发布于 https://github.com/JThh/Many-Body-MPNN。
引用
@article{arxiv.2407.11756,
title = {A Theoretical Formulation of Many-body Message Passing Neural Networks},
author = {Jiatong Han},
journal= {arXiv preprint arXiv:2407.11756},
year = {2024}
}
备注
Accepted as a paper at ICML GRaM Workshop, 2024