GNN-VPA：一种用于图神经网络的保方差聚合策略
机器学习
2024-03-08 v1 人工智能
机器学习
摘要
图神经网络(GNNs)，尤其是消息传递神经网络，在物理学、药物发现和分子建模等各个领域表现出色。GNNs在区分非同构图方面的表达能力关键地取决于用于消息聚合和图级读出的函数。通过应用信号传播理论，我们提出了一种保方差聚合函数(VPA)，它保持了表达能力，但产生了改进的前向和反向动力学。实验表明，VPA为流行的GNN架构带来了更高的预测性能，并改善了学习动力学。我们的结果可能为无归一化或自归一化GNNs铺平道路。
引用
@article{arxiv.2403.04747,
title = {GNN-VPA: A Variance-Preserving Aggregation Strategy for Graph Neural Networks},
author = {Lisa Schneckenreiter and Richard Freinschlag and Florian Sestak and Johannes Brandstetter and Günter Klambauer and Andreas Mayr},
journal= {arXiv preprint arXiv:2403.04747},
year = {2024}
}
备注
Accepted at ICLR 2024 (Tiny Papers Track)