等距图神经网络
机器学习
2020-06-18 v1 社会与信息网络
机器学习
摘要
许多依赖于图中节点表示的任务，若这些表示能忠实反映图中节点间距离，将从中受益。提取此类表示的几何技术在大图规模下扩展性差，而图神经网络（GNN）算法的最新进展在反映一度邻域之外的图距离信息方面能力有限。为启用这一备受期待的能力，我们提出一种学习等距图神经网络（IGNN）的技术，它需要改变输入表示空间与损失函数，以使任何 GNN 算法都能生成反映节点间距离的表示。我们在多个 GNN 架构上以等距技术建模多个数据集上的多种预测任务进行实验。除在这些实验中 AUC-ROC 提升高达 外，我们观察到 Kendall's Tau（KT，一种直接反映距离信息的度量）一致且大幅提升高达 400%，表明所学嵌入确实考虑了图距离。
引用
@article{arxiv.2006.09554,
title = {Isometric Graph Neural Networks},
author = {Matthew Walker and Bo Yan and Yiou Xiao and Yafei Wang and Ayan Acharya},
journal= {arXiv preprint arXiv:2006.09554},
year = {2020}
}