图神经网络中条件化方法的探索
机器学习
2023-05-04 v1 人工智能
摘要
基于消息传递的图神经网络（GNNs）的灵活性与有效性推动了图结构数据深度学习的显著进展。在此类方法中，GNNs 基于邻居递归更新节点表示，并通过使用节点与边属性向量获得表达能力。例如，在物理与化学的计算任务中，相对位置或距离等边属性的使用被证明至关重要。本工作中，我们关注的不是使用何种属性，而是如何对这些信息进行条件化以改进模型性能。我们考虑三种条件化类型：弱、强与纯，分别对应于基于拼接的条件化、门控以及因果依赖于属性的变换。该分类为从不同类别的 GNNs（从可分离卷积到各种形式的消息传递网络）提供了统一视角。我们在计算化学的若干任务中提供了关于条件化方法效果的实证研究。
引用
@article{arxiv.2305.01933,
title = {An Exploration of Conditioning Methods in Graph Neural Networks},
author = {Yeskendir Koishekenov and Erik J. Bekkers},
journal= {arXiv preprint arXiv:2305.01933},
year = {2023}
}