图神经网络在图划分中的平均场理论
机器学习
2020-01-29 v1 社会与信息网络
物理与社会
机器学习
摘要
本文给出了图神经网络（GNN）的理论性能分析。对于分类任务，神经网络方法的优势在于其灵活性，可以以数据驱动的方式使用，而贝叶斯推断需要假设特定模型。一个基本问题是，GNN 除灵活性外是否具有高准确率。此外，所达到的性能主要源于反向传播还是架构本身，是一个颇受关注的问题。为深入理解这些问题，我们针对图划分问题发展了最小 GNN 架构的平均场理论。该理论与数值实验表现出良好的一致性。
引用
@article{arxiv.1810.11908,
title = {Mean-field theory of graph neural networks in graph partitioning},
author = {Tatsuro Kawamoto and Masashi Tsubaki and Tomoyuki Obuchi},
journal= {arXiv preprint arXiv:1810.11908},
year = {2020}
}
备注
16 pages, 6 figures, Thirty-second Conference on Neural Information Processing Systems (NIPS2018)