论超图神经网络的表达能力与泛化性
机器学习
2023-03-10 v1 人工智能
机器学习
摘要
本扩展摘要描述了一个用于分析超图神经网络（HyperGNNs）的表达能力、学习及（结构）泛化的框架。具体而言，我们关注 HyperGNNs 如何从有限数据集学习，并对任意输入规模的图推理问题实现结构泛化。我们的首要贡献是对 HyperGNNs 表达能力的细粒度分析，即它们可实现的函数集合。我们的结果是一个按其可解决问题定义的层次结构，依据深度与边元数等多种超参数刻画。接着，我们分析这些神经网络的学习特性，尤其关注它们如何能在有限小规模图集上训练并泛化至更大图，我们称之为结构泛化。我们的理论结果得到实证结果的进一步支撑。
引用
@article{arxiv.2303.05490,
title = {On the Expressiveness and Generalization of Hypergraph Neural Networks},
author = {Zhezheng Luo and Jiayuan Mao and Joshua B. Tenenbaum and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:2303.05490},
year = {2023}
}
备注
Learning on Graphs Conference (LoG) 2022