设计你自己的宇宙：一种增强图神经网络的物理信息不可知方法
机器学习
2024-06-13 v3
摘要
物理信息图神经网络通过缓解常见的GNN挑战，如过度平滑、过度挤压和异配性适应，在通过图结构数据学习方面取得了显著性能。尽管取得了这些进展，但开发一个简单而有效的范式，恰当地整合先前的方法来处理所有这些挑战，仍在进行中。在本文中，我们将GNN的传播与物理学中的粒子系统进行类比，提出了一个模型无关的增强框架。该框架通过引入额外的节点，并在节点标签信息的引导下，用正负权重重新连接边，从而丰富了图结构。我们从理论上验证了，通过我们的方法增强的GNN可以有效规避过度平滑问题，并对过度挤压表现出鲁棒性。此外，我们对重连图进行了谱分析，以证明相应的GNN可以拟合同配图和异配图。在同配图、异配图基准数据集和长期图数据集上的实证验证表明，通过我们的方法增强的GNN显著优于其原始对应模型。
引用
@article{arxiv.2401.14580,
title = {Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks},
author = {Dai Shi and Andi Han and Lequan Lin and Yi Guo and Zhiyong Wang and Junbin Gao},
journal= {arXiv preprint arXiv:2401.14580},
year = {2024}
}