不传播更好：理解有号图神经网络中的边不确定性与过度平滑
机器学习
2024-11-05 v3 人工智能
摘要
传统图神经网络（GNN）依赖网络同配性，这在许多真实世界的异配场景中可能导致因过度平滑而引起的性能下降。近期研究分析了消息传递（MP）后的平滑效应（可分离性），取决于节点特征的期望。关于可分离性增益，他们为各种传播方案（包括正传播、有号传播和阻塞MP）引起的过度平滑提供了理论基础。最近，通过扩展这些定理，一些工作提出了在多类下有号传播的改进。然而，先前的研究假设所有传播方案的误差率是固定的，未能正确研究这一现象。为了解决这个问题，我们提出了一种估计同配性和边误差率的新方法，并将其与训练过程中阻塞传播和有号传播之间的动态选择相结合。我们的理论分析得到了大量实验的支持，证明了在高边误差率下阻塞MP比有号传播更有效，从而改善了同配图和异配图中的性能。
引用
@article{arxiv.2408.04895,
title = {Better Not to Propagate: Understanding Edge Uncertainty and Over-smoothing in Signed Graph Neural Networks},
author = {Yoonhyuk Choi and Jiho Choi and Taewook Ko and Chong-Kwon Kim},
journal= {arXiv preprint arXiv:2408.04895},
year = {2024}
}