分布式阶分数图操作网络
机器学习
2024-11-11 v1
摘要
我们提出了分布式阶分数图操作网络（DRAGON），这是一种新颖的连续图神经网络（GNN）框架，引入了分布式阶分数微积分。与传统的使用整数阶或单分数阶微分方程的连续GNN不同，DRAGON在实数范围内使用可学习的概率分布来表示导数阶数。通过允许多个导数阶数的灵活和可学习叠加，我们的框架能够捕捉超出传统模型能力范围的复杂图特征更新动力学。我们通过非马尔可夫图随机游走和由图上异常扩散过程驱动的节点特征更新，全面解释了我们框架捕捉复杂动力学的能力。此外，为了突出DRAGON框架的多功能性，我们在各种图学习任务上进行了经验评估。结果一致表明，与传统连续GNN模型相比，性能优越。实现代码可在\url{https://github.com/zknus/NeurIPS-2024-DRAGON}获取。
引用
@article{arxiv.2411.05274,
title = {Distributed-Order Fractional Graph Operating Network},
author = {Kai Zhao and Xuhao Li and Qiyu Kang and Feng Ji and Qinxu Ding and Yanan Zhao and Wenfei Liang and Wee Peng Tay},
journal= {arXiv preprint arXiv:2411.05274},
year = {2024}
}