集成多关系图神经网络
机器学习
2022-05-25 v1 社会与信息网络
摘要
众所周知，图神经网络（GNNs）可从优化目标的角度加以解释与设计。凭借清晰的优化目标，所推导的GNN架构具备坚实理论基础，能够灵活弥补GNN的弱点。然而，该优化目标仅针对单关系图的GNN得到证明。我们能否通过扩展此优化目标推断出一种新型多关系图GNN，从而同时解决以往多关系GNN中的问题，例如过参数化？本文中，我们通过设计集成多关系（EMR）优化目标，提出一种新颖的集成多关系GNN。该EMR优化目标可导出迭代更新规则，其可形式化为带多关系的集成消息传递（EnMP）层。我们进一步分析了EnMP层的良好性质，例如其与多关系个性化PageRank的关系。最终，提出了一种能较好缓解过平滑与过参数化问题的新型多关系GNN。在四个基准数据集上的大量实验充分证明了所提模型的有效性。
引用
@article{arxiv.2205.12076,
title = {Ensemble Multi-Relational Graph Neural Networks},
author = {Yuling Wang and Hao Xu and Yanhua Yu and Mengdi Zhang and Zhenhao Li and Yuji Yang and Wei Wu},
journal= {arXiv preprint arXiv:2205.12076},
year = {2022}
}
备注
7 pages, 3 figures, published to IJCAI 2022