金字塔形储备池图神经网络
机器学习
2021-04-13 v1 神经与进化计算
机器学习
摘要
我们提出一种深层图神经网络（GNN）模型，其交替使用两类层。第一类受储备池计算（RC）启发，通过迭代非线性映射直至收敛到不动点来生成新的顶点特征。第二类层实现图池化操作，逐步缩减支撑图与顶点特征，并进一步提升基于 RC 的 GNN 的计算效率。因此，该架构呈金字塔形。在最后一层，剩余顶点的特征被组合为单一向量，作为图嵌入表示。通过本文给出的数学推导，我们形式化地展示了图池化如何降低模型的计算复杂度并加速顶点特征的动态更新收敛。我们所提出的基于 RC 的 GNN 设计方法在精度与复杂度之间提供了有利且有原则的权衡，并在大量图数据集实验中得以充分验证。
引用
@article{arxiv.2104.04710,
title = {Pyramidal Reservoir Graph Neural Network},
author = {Filippo Maria Bianchi and Claudio Gallicchio and Alessio Micheli},
journal= {arXiv preprint arXiv:2104.04710},
year = {2021}
}
备注
this is a pre-print version of a paper submitted for journal publication