MGNNI：具有隐式层的多尺度图神经网络
机器学习
2022-10-18 v1 人工智能
摘要
近来，隐式图神经网络（GNNs）被提出以捕获底层图中的长距离依赖。本文中，我们指出并论证了隐式 GNNs 的两个弱点：因其捕获长距离依赖的有效范围有限而导致的表达力受限，以及其缺乏在多重分辨率下捕获图上多尺度信息的能力。为展示先前隐式 GNNs 的有效范围有限，我们首先提供理论分析，并指出有效范围与这些模型中使用的迭代方程收敛性之间的内在关系。为缓解上述弱点，我们提出一种具有隐式层的多尺度图神经网络（MGNNI），其能够建模图上的多尺度结构，并具有扩展的捕获长距离依赖的有效范围。我们针对节点分类与图分类进行了全面实验，表明 MGNNI 优于代表性基线，并具有更好的多尺度建模与捕获长距离依赖的能力。
引用
@article{arxiv.2210.08353,
title = {MGNNI: Multiscale Graph Neural Networks with Implicit Layers},
author = {Juncheng Liu and Bryan Hooi and Kenji Kawaguchi and Xiaokui Xiao},
journal= {arXiv preprint arXiv:2210.08353},
year = {2022}
}
备注
NeurIPS 2022