DiGRAF：基于连续分段仿射变换的图自适应激活函数
机器学习
2024-11-01 v2
摘要
本文提出一种专为图数据在图神经网络 (GNN) 中设计的新型激活函数。我们受图自适应和灵活激活函数的需求启发，引入 DiGRAF，利用连续分段仿射基于 (CPAB) 变换，并辅以额外的 GNN 网络，以端到端方式学习图自适应可微分激活函数。除具备图自适应性和灵活性外，DiGRAF 还具备诸如可微分性、在域内的有界性以及计算效率等被广泛认可为理想激活函数属性。我们在多样化的数据集和任务上进行大量实验，表明 DiGRAF 在性能上 consistently and 优于传统和图特定激活函数，凸显其作为 GNNs 激活函数的有效性。我们的代码已公开于 https://github.com/ipsitmantri/DiGRAF。
引用
@article{arxiv.2407.02013,
title = {DiGRAF: Diffeomorphic Graph-Adaptive Activation Function},
author = {Krishna Sri Ipsit Mantri and Xinzhi Wang and Carola-Bibiane Schönlieb and Bruno Ribeiro and Beatrice Bevilacqua and Moshe Eliasof},
journal= {arXiv preprint arXiv:2407.02013},
year = {2024}
}
备注
NeurIPS 2024