探究图学习中特征与结构的交互作用
机器学习
2023-08-21 v1 人工智能
摘要
过去，同配与异配的二分法启发了为更好理解深度图网络归纳偏置的研究贡献。特别地，曾被认为同配与消息传递方法更优的节点分类预测强相关。然而，近来研究者指出此种二分法过于简化，因为我们可以构造节点分类任务，其中图完全异配但性能仍高。多数这些工作也提出了新的定量度量以理解图结构何时有用，其隐式或显式地假设了节点特征与目标标签间的相关性。我们的工作通过形式化两个节点分类任务的生成过程，对我们放松上述强假设时会发生什么进行了实证研究，借此构建并研究特设问题。为定量度量节点特征对目标标签的影响，我们还使用了一种称为特征信息性的度量。我们构造了六个合成任务并评估了六个模型（包括结构无关模型）的性能。我们的发现揭示，当我们放松上述假设时，先前定义的度量并不充分。我们向研讨会的贡献旨在呈现可助推进该领域理解的新研究发现。
引用
@article{arxiv.2308.09570,
title = {Investigating the Interplay between Features and Structures in Graph Learning},
author = {Daniele Castellana and Federico Errica},
journal= {arXiv preprint arXiv:2308.09570},
year = {2023}
}