方向图网络
机器学习
2021-04-09 v4 计算几何
社会与信息网络
摘要
图神经网络（GNNs）中缺乏各向异性核，这严重限制了其表达能力，并导致了过平滑等众所周知的问题。为克服这一局限，我们提出了首个全局一致的 GNN 各向异性核，使得图卷积可根据拓扑导出的方向流来定义。首先，通过在图中定义向量场，我们开发了一种将节点特定消息投影到该场中从而应用方向导数与平滑的方法。然后，我们提出使用拉普拉斯特征向量作为此类向量场。我们表明该方法在 维网格上推广了 CNN，并且在 Weisfeiler-Lehman 1-WL 测试方面比标准 GNN 具有可证明的更强判别力。我们在不同标准基准上评估了我们的方法，在 CIFAR10 图数据集上相对误差降低 8%，在分子 ZINC 数据集上降低 11% 至 32%，在 MolPCBA 数据集上相对精度提升 1.6%。本工作的一个重要成果是它使图网络能够以无监督方式嵌入方向，从而更好地表示不同物理或生物问题中的各向异性特征。
引用
@article{arxiv.2010.02863,
title = {Directional Graph Networks},
author = {Dominique Beaini and Saro Passaro and Vincent Létourneau and William L. Hamilton and Gabriele Corso and Pietro Liò},
journal= {arXiv preprint arXiv:2010.02863},
year = {2021}
}
备注
11 pages, 10 pages appendix, 6 figures, subtitle: Anisotropic aggregation in graph neural networks via directional vector fields