从隐图推理到隐拓扑推理：可微胞复形模块
机器学习
2023-08-04 v2 人工智能
神经与进化计算
摘要
隐图推理（LGI）通过动态学习图拓扑放松了图神经网络（GNNs）对给定图拓扑的依赖。然而，大多数 LGI 方法假设有一个（含噪、不完整、可改进的……）输入图可供重连，且只能学习正则图拓扑。随着拓扑深度学习（TDL）的成功，我们研究隐拓扑推理（LTI）以学习描述数据点间多向交互的高阶胞复形（具有稀疏且非正则拓扑）。为此，我们引入可微胞复形模块（DCM），一种新颖的可学习函数，计算复形中的胞概率以改进下游任务。我们展示了如何将 DCM 与胞复形消息传递网络层集成并以端到端方式训练，得益于避免对输入中所有可能胞进行穷举搜索的两步推理过程，从而保持可扩展性。我们的模型在多个同配和异配图数据集上测试，显示出优于其他最先进技术的表现，尤其在未提供输入图的情况下带来显著改进。
引用
@article{arxiv.2305.16174,
title = {From Latent Graph to Latent Topology Inference: Differentiable Cell Complex Module},
author = {Claudio Battiloro and Indro Spinelli and Lev Telyatnikov and Michael Bronstein and Simone Scardapane and Paolo Di Lorenzo},
journal= {arXiv preprint arXiv:2305.16174},
year = {2023}
}
备注
Under review. 17 pages, 5 figures