GGNNs：利用残差连接与加权消息传递推广GNNs
机器学习
2023-11-28 v1 人工智能
摘要
许多现实世界现象可以建模为图，因其无处不在而极有价值。GNNs擅长捕捉这些图中的关系与模式，从而实现有效的学习与预测任务。GNNs使用多层感知机（MLPs）构建，并加入额外的层进行消息传递，以促进节点间特征流动。人们普遍认为GNNs的泛化能力源于层间的消息传递机制，即节点与邻居交换信息，使其能有效捕捉并在图节点间传播信息。我们的技术基于这些结果，进一步改进消息传递机制：一是在每个节点累积前对消息加权，二是加入残差连接。这两种机制显示出学习的显著改善与更快的收敛。
引用
@article{arxiv.2311.15448,
title = {GGNNs : Generalizing GNNs using Residual Connections and Weighted Message Passing},
author = {Abhinav Raghuvanshi and Kushal Sokke Malleshappa},
journal= {arXiv preprint arXiv:2311.15448},
year = {2023}
}