SpeqNets：稀疏感知的置换等变图网络
机器学习
2022-08-31 v3 人工智能
数据结构与算法
神经与进化计算
机器学习
摘要
尽管（消息传递）图神经网络在逼近图上或一般关系数据上的置换等变函数方面存在明显局限，但更具表达力、更高阶的图神经网络无法扩展到大型图。它们要么在 阶张量上运算，要么考虑所有 节点子图，这意味着内存需求对 呈指数依赖，且不能适应图的稀疏性。通过为图同构问题引入新的启发式方法，我们设计了一类通用的、置换等变的图网络，与以往架构不同，该类网络在表达力与可扩展性之间提供了细粒度控制，并能适应图的稀疏性。在监督式节点级与图级分类及回归任务中，这些架构相比标准高阶图网络大幅减少了计算时间，同时在预测性能上显著优于标准图神经网络与图核架构。
引用
@article{arxiv.2203.13913,
title = {SpeqNets: Sparsity-aware Permutation-equivariant Graph Networks},
author = {Christopher Morris and Gaurav Rattan and Sandra Kiefer and Siamak Ravanbakhsh},
journal= {arXiv preprint arXiv:2203.13913},
year = {2022}
}
备注
ICML 2022, fixed typo in Observation 1