基于分布边布局的图学习
机器学习
2024-02-27 v1 人工智能
摘要
图神经网络 (GNN) 通过在特定拓扑布局上沿边传递相邻节点间的局部消息，从图结构数据中学习。通常，现代 GNN 中的这些拓扑布局是在启发式假设下确定性计算（如基于注意力的 GNN）或局部采样（如 GraphSage）得到的。在本文中，我们首次提出这些布局可以通过配备显式物理能量的玻尔兹曼分布，利用朗之万动力学进行全局采样，从而在物理世界中具有更高的可行性。我们认为，这样一组采样/优化的布局能够捕捉广泛的能量分布，并在 WL-test 之上带来额外的表达能力，从而简化下游任务。为此，我们提出了分布边布局 (Distributional Edge Layouts, DELs) 作为多种 GNN 的补充。DEL 是一种独立于后续 GNN 变体的预处理策略，因此具有高度灵活性。实验结果表明，DELs 一致且显著地提升了一系列 GNN 基线模型，在多个数据集上实现了最先进 (SOTA) 的性能。
引用
@article{arxiv.2402.16402,
title = {Graph Learning with Distributional Edge Layouts},
author = {Xinjian Zhao and Chaolong Ying and Tianshu Yu},
journal= {arXiv preprint arXiv:2402.16402},
year = {2024}
}
备注
20 pages, 10 figures