布尔积图神经网络
机器学习
2024-09-24 v1 人工智能
摘要
图神经网络（GNNs）最近取得了显著成功，其关键操作涉及聚合来自邻居节点的信息。大量研究人员专注于定义用于聚合的邻居，主要基于观测到的邻接矩阵。然而，在许多场景中，显式给定的图包含噪声，这些噪声在消息传递过程中可能会被放大。因此，许多研究人员将注意力转向潜在图推断，特别是学习参数化图。为了缓解潜在图结构学习中的波动，本文提出了一种基于布尔积的图残差连接，在GNNs中链接潜在图和原始图。它在每一层计算潜在图和原始图之间的布尔积以纠正学习过程。两个邻接矩阵之间的布尔积等价于三角形检测。因此，所提出的布尔积图神经网络可以解释为从原始图和潜在图中发现三角团。我们在基准数据集上验证了所提出的方法，并证明了其能够增强GNNs的性能和鲁棒性。
引用
@article{arxiv.2409.14001,
title = {Boolean Product Graph Neural Networks},
author = {Ziyan Wang and Bin Liu and Ling Xiang},
journal= {arXiv preprint arXiv:2409.14001},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2407.10688