PDE-GCN：受偏微分方程启发的图神经网络新架构
机器学习
2021-10-28 v2 计算机视觉与模式识别
神经与进化计算
摘要
图神经网络正日益成为计算机视觉、计算生物学与化学等自然以图解释数据的领域的首选方法。然而，不同于传统卷积神经网络，深层图网络未必比浅层图网络性能更优。该行为通常源于过平滑现象。本工作中，我们提出一系列通过设计控制此行为的架构。我们的网络受流形上求解偏微分方程（PDEs）的数值方法启发，因而其行为可由类似分析解释。此外，如我们借助广泛实验所展示，受 PDE 启发的网络能够泛化并对来自不同领域的各类问题有效。我们的架构在通常借助不同架构处理的问题上取得了优于或持平当前 SOTA 的结果。
引用
@article{arxiv.2108.01938,
title = {PDE-GCN: Novel Architectures for Graph Neural Networks Motivated by Partial Differential Equations},
author = {Moshe Eliasof and Eldad Haber and Eran Treister},
journal= {arXiv preprint arXiv:2108.01938},
year = {2021}
}
备注
NeurIPS 2021