流动注意力图神经网络
机器学习
2025-11-17 v3
摘要
图神经网络 (GNN) 已成为从图结构数据中学习的 essential 方法。然而，现有的 GNN 不考虑与流动物理资源（如电网中的电流或交通网络中的交通）相关的图上的守恒定律，这可能导致模型性能下降。为此，我们提出了流动注意力机制，通过适应现有图注意力机制以满足基尔霍夫第一定律。此外，我们讨论了这一修改如何影响表达性，并识别了一组可以通过流动注意力但不能通过标准注意力区分的非同构图。通过在两个流动图数据集（电子电路和电网）上的大量实验，我们展示了流动注意力在基于注意力的 GNN 在图层级分类和回归任务上的性能提升。
引用
@article{arxiv.2506.06127,
title = {Flow-Attentional Graph Neural Networks},
author = {Pascal Plettenberg and Dominik Köhler and Bernhard Sick and Josephine M. Thomas},
journal= {arXiv preprint arXiv:2506.06127},
year = {2025}
}
备注
Accepted @ Transactions on Machine Learning Research (TMLR): https://openreview.net/forum?id=tOzg7UxTPD