关于图神经网络中唯一节点标识符的利用
机器学习
2024-11-13 v2 人工智能
机器学习
摘要
图神经网络由于其消息传递结构而具有固有的表示局限性。最近的研究表明，这些局限性可以通过使用唯一节点标识符（UID）来克服。在这里我们认为，尽管 UIDs 具有优势，但它们的缺点之一是失去了期望的置换等变性特性。因此，我们提出关注置换等变的 UID 模型，并阐述其优势的理论论证。受此启发，我们提出了一种通过对比损失将 UID 模型正则化为置换等变的方法。我们通过实验证明，我们的方法在提高泛化和外推能力的同时，提供了更快的训练收敛速度。在最近的 BREC 表达能力基准测试中，我们提出的方法与其他基于随机的方法相比达到了最先进的性能。
引用
@article{arxiv.2411.02271,
title = {On the Utilization of Unique Node Identifiers in Graph Neural Networks},
author = {Maya Bechler-Speicher and Moshe Eliasof and Carola-Bibiane Schönlieb and Ran Gilad-Bachrach and Amir Globerson},
journal= {arXiv preprint arXiv:2411.02271},
year = {2024}
}