DropGNN：随机丢弃提升图神经网络的表达能力
机器学习
2021-11-12 v1
摘要
本文研究丢弃图神经网络（DropGNNs），这是一种旨在克服标准 GNN 框架局限性的新方法。在 DropGNNs 中，我们在输入图上执行多次 GNN 运行，在每次运行中随机且独立地丢弃部分节点。然后，我们合并这些运行的结果以得到最终结果。我们证明 DropGNNs 能够区分消息传递 GNN 无法分离的各种图邻域。我们推导了确保可靠丢弃分布所需运行次数的理论界限，并证明了关于 DropGNNs 表达能力与局限性的若干性质。我们在表达力方面通过实验验证了我们的理论发现。此外，我们表明 DropGNNs 在公认的 GNN 基准上表现具有竞争力。
引用
@article{arxiv.2111.06283,
title = {DropGNN: Random Dropouts Increase the Expressiveness of Graph Neural Networks},
author = {Pál András Papp and Karolis Martinkus and Lukas Faber and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2111.06283},
year = {2021}
}
备注
Published in the 35th Conference on Neural Information Processing Systems (NeurIPS 2021)