特征输运改进图神经网络
机器学习
2023-12-21 v2
摘要
图神经网络（GNNs）在图结构数据的表示学习方面已展现出显著成功。然而，GNNs 在建模涉及特征输运的复杂现象时仍面临挑战。在本文中，我们提出一种受平流-扩散-反应系统启发的新型 GNN 架构，称为 ADR-GNN。平流建模特征输运，而扩散捕捉特征的局部平滑，反应表示特征通道间的非线性变换。我们提供了对 ADR-GNN 定性行为的分析，显示出结合平流、扩散和反应的好处。为证明其有效性，我们在真实世界的节点分类和时空数据集上评估 ADR-GNN，并表明与最先进的网络相比它改进或提供了有竞争力的性能。
引用
@article{arxiv.2307.16092,
title = {Feature Transportation Improves Graph Neural Networks},
author = {Moshe Eliasof and Eldad Haber and Eran Treister},
journal= {arXiv preprint arXiv:2307.16092},
year = {2023}
}
备注
AAAI 2024