面向具有高阶依赖关系图的深度集成方法
机器学习
2023-02-08 v3
摘要
图神经网络（GNNs）在许多图学习任务上持续取得最先进的性能，但其依赖于一个假设，即给定图是对真实邻域结构的充分近似。当一个系统包含高阶序列依赖时，我们表明传统图表示的倾向会欠拟合每个节点的邻域，导致现有 GNNs 泛化能力差。为此，我们提出了一种新颖的深度图集成（DGE），它通过在高阶网络结构内同一节点的不同邻域子空间上训练一组 GNNs 来捕捉邻域方差。我们表明，在具有已知高阶依赖的六个真实世界数据集上的半监督与监督任务中，即使在相似参数预算下，DGE 也始终优于现有 GNNs。我们论证了学习多样且准确的基分类器是 DGE 成功的核心，并讨论了这些发现对 GNNs 集成未来工作的启示。
引用
@article{arxiv.2205.13988,
title = {Deep Ensembles for Graphs with Higher-order Dependencies},
author = {Steven J. Krieg and William C. Burgis and Patrick M. Soga and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2205.13988},
year = {2023}
}
备注
26 pages