图各向异性扩散
机器学习
2022-05-03 v1
摘要
传统的图神经网络（GNNs）依赖于消息传递，这相当于对邻居特征进行置换不变的局部聚合。此类过程是各向同性的，且图上没有“方向”的概念。我们提出一种称为图各向异性扩散的新GNN架构。我们的模型在线性扩散（具有闭式解）与局部各向异性滤波器之间交替，以获得高效的多跳各向异性核。我们在两个常见的分子性质预测基准（ZINC和QM9）上测试了我们的模型，并展示了其具有竞争力的性能。
引用
@article{arxiv.2205.00354,
title = {Graph Anisotropic Diffusion},
author = {Ahmed A. A. Elhag and Gabriele Corso and Hannes Stärk and Michael M. Bronstein},
journal= {arXiv preprint arXiv:2205.00354},
year = {2022}
}
备注
10 pages, 3 figures, Published at the GTRL and MLDD workshops, ICLR 2022