覆盖森林：图神经网络的细粒度泛化分析
机器学习
2024-12-11 v1 离散数学
数据结构与算法
神经与进化计算
机器学习
摘要
消息传递图神经网络(MPNNs)的表达能力已通过图同构测试的组合技术得到了较为充分的理解。然而，MPNNs的泛化能力——在训练集之外做出有意义的预测——仍较少被探索。现有的泛化分析往往忽略图结构，将重点局限于特定的聚合函数，并假设难以优化的0-1损失函数。在这里，我们将图相似性理论的最新进展扩展到评估图结构、聚合和损失函数对MPNNs泛化能力的影响。我们的实证研究支持了我们的理论洞察，加深了我们对MPNNs泛化性质的理解。
引用
@article{arxiv.2412.07106,
title = {Covered Forest: Fine-grained generalization analysis of graph neural networks},
author = {Antonis Vasileiou and Ben Finkelshtein and Floris Geerts and Ron Levie and Christopher Morris},
journal= {arXiv preprint arXiv:2412.07106},
year = {2024}
}