欧几里得与双曲图神经网络的统一框架
机器学习
2023-06-07 v3 神经与进化计算
摘要
双曲神经网络能有效捕捉图数据集的固有层次结构，因此是图神经网络（GNNs）的有力选择。然而，它们在一层内纠缠了多个不一致（陀螺）向量空间，这在泛化和可扩展性方面存在局限。在本工作中，我们提出 Poincare 圆盘模型作为搜索空间，并在圆盘上应用所有近似（如同圆盘是从原点导出的切空间），从而摆脱所有空间间变换。这种方法使我们能够提出一种双曲归一化层，并进一步将整个双曲模型简化为级联我们双曲归一化层的欧几里得模型。我们将提出的非线性双曲归一化应用于当前最先进的同构和多关系图网络。我们证明我们的模型不仅利用了欧几里得网络的能力（如可解释性和各模型组件的高效执行），而且在各种基准上优于欧几里得和双曲对应模型。我们的代码已在 https://github.com/oom-debugger/ijcai23 公开。
引用
@article{arxiv.2206.04285,
title = {A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks},
author = {Mehrdad Khatir and Nurendra Choudhary and Sutanay Choudhury and Khushbu Agarwal and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2206.04285},
year = {2023}
}