图神经网络中基于哈密顿量信息传播的顶点嵌入
机器学习
2023-03-03 v1
摘要
图神经网络（GNN）已在图结构数据的各种推断任务中取得成功。然而，文献中许多 GNN 面临的常见挑战包括不同几何下的图节点嵌入问题以及过平滑问题。为解决这些问题，我们提出一种称为哈密顿动态 GNN（HDG）的新型图信息传播策略，其使用哈密顿力学方法学习图中的节点嵌入。HDG 中的哈密顿能量函数是可学习的，并能适应任意给定图数据集的底层几何。我们通过针对最先进基线在各种下游任务上的综合评估，展示了 HDG 自动学习图数据集底层几何的能力，即使是具有复杂和混合几何的数据集。我们还验证了 HDG 对微小扰动具有稳定性，并能在堆叠多层时缓解过平滑问题。
引用
@article{arxiv.2303.01030,
title = {Node Embedding from Hamiltonian Information Propagation in Graph Neural Networks},
author = {Qiyu Kang and Kai Zhao and Yang Song and Sijie Wang and Rui She and Wee Peng Tay},
journal= {arXiv preprint arXiv:2303.01030},
year = {2023}
}