GRAN 优于 GraphRNN：基于节点排序、核与图嵌入度量的图生成器比较
机器学习
2023-07-14 v1 人工智能
神经与进化计算
摘要
人们已提出多种图生成模型，它们被用于药物发现、道路网络、神经架构搜索与程序合成。图生成存在同构表示等理论挑战，难以评估生成模型性能优劣。依据应用领域应如何选择模型？我们深入研究了基于图不变量分布的核度量，以及图嵌入空间中的流形与核度量。在嵌入空间中，基于流形的度量优于基于核的度量。我们利用这些度量比较了两种知名图生成模型 GraphRNN 与 GRAN，并揭示了节点排序的影响。结果表明 GRAN 优于 GraphRNN——此外，我们提出的采用深度优先搜索排序的 GraphRNN 改进版对小规模图有效。文中给出了关于数据集选择与节点特征初始化的良好实践指南。我们的工作附有开源代码与可复现实验。
引用
@article{arxiv.2307.06709,
title = {GRAN is superior to GraphRNN: node orderings, kernel- and graph embeddings-based metrics for graph generators},
author = {Ousmane Touat and Julian Stier and Pierre-Edouard Portier and Michael Granitzer},
journal= {arXiv preprint arXiv:2307.06709},
year = {2023}
}
备注
Preprint for The 9th International Conference on machine Learning, Optimization and Data science - LOD 2023