论微分方程启发的图神经网络的时间域
机器学习
2024-01-23 v1
摘要
图神经网络 (Graph Neural Networks, GNNs) 在建模图结构数据中的复杂关系方面取得了显著成功。该领域的一个近期创新是微分方程启发的图神经网络 (Differential Equation-Inspired Graph Neural Networks, DE-GNNs) 家族，它利用连续动力系统的原理来建模图上的信息流，并具有特征平滑或保持等内置属性。然而，现有的 DE-GNNs 依赖于一阶或二阶时间依赖性。在本文中，我们针对这些预定义的时间依赖性提出了一种神经网络扩展。我们展示了我们名为 TDE-GNN 的模型能够捕获超越典型一阶或二阶方法的广泛时间动态，并提供了现有时间模型面临挑战的用例。我们在多个图基准上展示了使用我们的方法学习时间依赖性而非使用预定义时间动态的优势。
关键词
引用
@article{arxiv.2401.11074,
title = {On The Temporal Domain of Differential Equation Inspired Graph Neural Networks},
author = {Moshe Eliasof and Eldad Haber and Eran Treister and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2401.11074},
year = {2024}
}
备注
AISTATS 2024