可微分聚类图神经网络
系统与控制
2024-05-28 v1 人工智能
机器学习
系统与控制
摘要
图神经网络在长程信息传播和面对异质性邻域时常常表现不佳。我们通过引入额外的聚类节点，将聚类归因纳入消息传递机制中，以统一框架解决这两个挑战。我们方法的核心是构建基于 optimal transport 的隐式聚类目标函数。然而，求解该隐式目标函数的算法需要具有可微分性以实现图神经网络的端到端学习。为此，我们采用熵正则化目标函数，并提出一种交替优化过程，即先求解聚类分配，再更新节点/聚类-节点嵌入。值得注意的是，我们导出的闭式优化步骤本身就是简单而优雅的消息传递步骤，可无缝地在节点与聚类节点构成的二分图上运行。我们的聚类方法能够有效捕获局部和全局信息，经 extensive 实验在异质性和同质性数据集上验证。
引用
@article{arxiv.2405.16184,
title = {Safe Deep Model-Based Reinforcement Learning with Lyapunov Functions},
author = {Harry Zhang},
journal= {arXiv preprint arXiv:2405.16184},
year = {2024}
}