具有并行邻域聚合的图神经网络用于图分类
机器学习
2022-11-23 v1 信号处理
机器学习
摘要
我们关注使用图神经网络（GNN）模型进行图分类，该模型利用一组并行排列的邻域聚合图算子预计算节点特征。由于预计算，这些 GNN 模型具有训练和推理时间减少的天然优势，但在训练期间通过顺序邻域聚合过程更新节点特征的流行 GNN 变体有着本质不同。我们提供了通用并行邻域聚合 GNN 模型（简称 PA-GNN）在区分非同构图时，可被证明与著名的 Weisfeiler-Lehman（WL）图同构测试能力相当的理论条件。尽管 PA-GNN 模型与 WL 测试无明显关系，我们表明这两种方法获得的图嵌入具有单射关联。然后我们提出了一个专门的 PA-GNN 模型，称为 SPIN，它满足所发展的条件。我们通过数值实验证明，所开发的模型在许多不同的真实世界数据集上达到了最先进的性能，同时保持了 WL 测试的判别能力和训练前预处理图的计算优势。
引用
@article{arxiv.2111.11482,
title = {Graph Neural Networks with Parallel Neighborhood Aggregations for Graph Classification},
author = {Siddhant Doshi and Sundeep Prabhakar Chepuri},
journal= {arXiv preprint arXiv:2111.11482},
year = {2022}
}