CIN++：增强拓扑消息传递
机器学习
2023-06-07 v1 人工智能
摘要
图神经网络（GNNs）在从图结构数据中学习方面取得了显著成功。然而，它们在表达能力上面临重大局限，难以处理长程交互，且缺乏建模高阶结构与群体交互的原则性方法。细胞同构网络（CINs）近期基于胞腔复形提出了一种消息传递方案，解决了上述大部分挑战。尽管有诸多优势，CINs 仅使用了边界消息与上消息，未考虑底层复形中环之间的直接交互。对这些交互的刻画可能对学习许多真实世界复杂现象（如超分子组装动力学、脑内神经活动与基因调控过程）的表示至关重要。本工作中，我们提出 CIN++，一种对 CINs 所引入拓扑消息传递方案的增强。我们的消息传递方案通过让胞腔在每一层中也接收下消息，从而解决了上述局限。通过提供更全面的高阶与长程交互表示，我们所增强的拓扑消息传递方案在大规模与长程化学基准上取得了最先进（state-of-the-art）结果。
引用
@article{arxiv.2306.03561,
title = {CIN++: Enhancing Topological Message Passing},
author = {Lorenzo Giusti and Teodora Reu and Francesco Ceccarelli and Cristian Bodnar and Pietro Liò},
journal= {arXiv preprint arXiv:2306.03561},
year = {2023}
}
备注
21 pages, 9 figures