具有参数化图分布的图神经网络
机器学习
2024-10-10 v3
摘要
传统上，图神经网络使用单一观测图进行训练。然而，观测图仅代表一种可能的实现。在许多应用中，图可能面临不确定性，例如存在错误或缺失的边，以及提供信息量很少的边权重。为应对这些挑战并捕获先前在观测图中缺失的额外信息，我们引入隐变量来参数化并生成多个图。我们基于多个图在期望最大化 (EM) 框架下获得网络参数的最大似然估计。具体而言，我们利用马尔可夫链蒙特卡洛 (MCMC) 方法，结合 PAC-Bayesian 理论原理，迭代确定图的分布。数值实验表明，在异质图的节点分类与化学数据集上的图回归方面，相较于基线模型性能有所提升。
引用
@article{arxiv.2310.16401,
title = {Graph Neural Networks with a Distribution of Parametrized Graphs},
author = {See Hian Lee and Feng Ji and Kelin Xia and Wee Peng Tay},
journal= {arXiv preprint arXiv:2310.16401},
year = {2024}
}