基于graphops的稀疏图上图神经网络的可迁移性、逼近性与尺寸迁移性
机器学习
2023-06-08 v1 社会与信息网络
摘要
图神经网络能否泛化到与其训练所用图不同(例如在尺寸上)的图？本文从理论角度研究该问题。尽管近期工作通过图极限(如图子)建立了此类可迁移性与逼近结果，但这些结果仅对非平凡的稠密图适用。为纳入频繁出现的稀疏图(如有界度图或幂律图)，我们采用对图导出的算子(如构成GNN的聚合操作)取极限的视角。这引向了近期引入的graphops极限概念(Backhausz and Szegedy, 2022)。我们展示了算子视角如何使我们能在经各种图序列验证的正则性假设下，针对有限GNN与其在无限图上极限之间的距离，以及共享结构特性不同尺寸图上的GNN之间的距离，发展出定量界。我们的结果对稠密与稀疏图以及各种图极限概念均成立。
引用
@article{arxiv.2306.04495,
title = {Limits, approximation and size transferability for GNNs on sparse graphs via graphops},
author = {Thien Le and Stefanie Jegelka},
journal= {arXiv preprint arXiv:2306.04495},
year = {2023}
}
备注
NeurIPS 2023 submission, 34 pages