DiffWire：基于Lovász界的归纳式图重连
机器学习
2023-03-07 v3 人工智能
摘要
图神经网络（GNNs）已被证明能在多种领域中获得具有竞争力的结果，以处理图相关任务，如节点与图分类、链接预测以及节点与图聚类。大多数GNN使用消息传递框架，因此被称为MPNNs。尽管结果可观，但已有报告指出MPNNs存在过平滑、过压缩与欠可达的问题。文献中已提出图重连与图池化作为解决这些局限的方案。然而，大多数最先进的图重连方法无法保持图的全局拓扑，既不可微也非归纳式，且需要调节超参数。本文中，我们提出DiffWire，一种用于MPNNs中图重连的新框架，其借助Lovász界而具有原理性、完全可微且无参数。所提方法通过提出MPNNs中两个新的互补层，为图重连提供了统一理论：CT-Layer，一个学习通勤时间并将其用作边重加权相关性函数的层；以及GAP-Layer，一个根据网络性质与手头任务优化谱间隙的层。我们基于图分类的基准数据集，分别实证验证了每一层的价值。我们还对CT-Layer在同配与异配节点分类任务中的使用进行了初步研究。DiffWire将通勤时间的可学习性与曲率的有关定义结合起来，为创建更具表达力的MPNNs打开了大门。
引用
@article{arxiv.2206.07369,
title = {DiffWire: Inductive Graph Rewiring via the Lov\'asz Bound},
author = {Adrian Arnaiz-Rodriguez and Ahmed Begga and Francisco Escolano and Nuria Oliver},
journal= {arXiv preprint arXiv:2206.07369},
year = {2023}
}
备注
27 pages, 24 figures and 6 tables. Accepted at Learning on Graphs Conference 2022. A. Arnaiz-Rodriguez et al., DiffWire: Inductive Graph Rewiring via the Lov\'asz Bound. Proceedings of the First Learning on Graphs Conference (LoG 2022), PMLR 198, Virtual Event, December, 2022