用于高效图表示学习的测地图神经网络
机器学习
2023-02-14 v2
摘要
图神经网络（GNNs）近期被应用于图学习任务并取得了最先进（SOTA）结果。然而，许多竞争性方法通过子图提取与定制标记多次运行GNNs以捕获普通GNNs难以学习的信息。此类操作耗时且无法扩展到大型图。本文提出一种称为测地图神经网络（GDGNN）的高效GNN框架，仅需一次GNN运行，并将节点间的条件关系注入模型而无需标记。该策略有效降低了子图方法的运行时间。具体而言，我们将两节点间最短路径视为其邻域的空间图上下文。最短路径上节点的GNN嵌入用于生成测地表示。以测地表示为条件，GDGNN可生成比普通GNNs携带更丰富结构信息的节点、连边与图表示。我们从理论上证明GDGNN比普通GNNs更具表达能力。实验结果表明，GDGNN在各种图学习任务上以显著更短时间取得了与SOTA GNN模型高度竞争的性能。
引用
@article{arxiv.2210.02636,
title = {Geodesic Graph Neural Network for Efficient Graph Representation Learning},
author = {Lecheng Kong and Yixin Chen and Muhan Zhang},
journal= {arXiv preprint arXiv:2210.02636},
year = {2023}
}
备注
Accepted by NeurIPS 2022