消息传递神经网络作为全局特征映射变换器的表达能力
人工智能
2022-07-29 v1 机器学习
摘要
我们研究消息传递神经网络（MPNN）在其转换输入图中节点所存数值特征的能力方面的威力。我们的焦点在于全局表达能力，即对所有输入图一致，或对来自有界域特征的有界度图一致。据此，我们引入全局特征映射变换器（GFMT）的概念。作为表达能力的标尺，我们使用一种用于 GFMT 的基础语言，称之为 MPLang。每个 MPNN 都可用 MPLang 表达，而我们的结果阐明了逆包含成立的程度。我们考虑精确与近似表达能力、任意激活函数的使用，以及仅允许 ReLU 激活函数的情形。
引用
@article{arxiv.2203.09555,
title = {On the expressive power of message-passing neural networks as global feature map transformers},
author = {Floris Geerts and Jasper Steegmans and Jan Van den Bussche},
journal= {arXiv preprint arXiv:2203.09555},
year = {2022}
}
备注
17 pages, 1 figure