具有谱消息传递的图网络
机器学习
2021-01-05 v1 机器学习
摘要
图神经网络(GNNs)因涉及关系推理的问题而受到机器学习界的强烈关注。GNNs可大致分为空间方法和谱方法。空间方法使用一种习得消息传递形式，其中顶点间的交互在局部计算，信息随消息传递步数增多在图上向更远距离传播。谱方法利用图拉普拉斯矩阵的特征分解，将空间卷积推广至图结构数据，可同时访问短时间和长时间尺度的信息。本文引入谱图网络，将消息传递应用于空间和谱域。我们的模型将空间图顶点投影到拉普拉斯特征向量上，每个特征向量表示为全连接“谱图”中的顶点，然后对其应用习得消息传递。我们将该模型应用于多种基准任务，包括基于图的MNIST分类变体、MoleculeNet和QM9上的分子性质预测，以及随机图上的最短路径问题。结果表明，谱图网络有助于高效训练，尽管参数更多，但用更少训练迭代即达高性能。该模型对边丢弃具有鲁棒性，并在分类任务上优于基线。我们还探讨了这些性能优势如何依赖于数据集的性质。
引用
@article{arxiv.2101.00079,
title = {Graph Networks with Spectral Message Passing},
author = {Kimberly Stachenfeld and Jonathan Godwin and Peter Battaglia},
journal= {arXiv preprint arXiv:2101.00079},
year = {2021}
}