稀疏几何MPNN的表征功
机器学习
2025-02-18 v4 人工智能
摘要
受化学等科学领域的应用启发，我们研究了消息传递神经网络在几何图上的表征功，其节点特征对应于三维位置。最近的工作表明，这类模型可以分离一般的非同构几何图，但可能在某些罕见且复杂的实例中失败。然而，这些结果假设是完全连接的图，即每个节点拥有对所有其他节点的完整知识。相反，实际应用中，每个节点仅拥有少数最近邻节点的知识。本文表明，只要底层图是连通的，具有旋转等价性特征的消息传递网络即可分离一般的非同构几何图。当仅允许不变的中间特征时，对于通常具有全球刚性的图，仍可保证普遍分离。我们引入了一种简单的架构EGENNET，实现了我们的理论保证，并在合成数据集和化学基准测试中与替代架构进行了比较。我们的代码可在 https://github.com/yonatansverdlov/E-GenNet 上获取。
引用
@article{arxiv.2407.02025,
title = {On the Expressive Power of Sparse Geometric MPNNs},
author = {Yonatan Sverdlov and Nadav Dym},
journal= {arXiv preprint arXiv:2407.02025},
year = {2025}
}