自环悖论：探究自环对图神经网络的影响
机器学习
2023-12-05 v1
摘要
许多图神经网络 (GNN) 在图中添加自环，以便在每一层包含节点自身的特征信息。然而，如果 GNN 由不止一层组成，该信息可以通过图拓扑中的环路返回其起点。直觉表明，与无自环的图相比，在有自环的图中，这种信息的“回流”应该更大。在本工作中，我们反驳了这一直觉，并表明对于某些 GNN 架构，与无自环的相同图相比，有自环的图中节点从自身获取的信息可能更小。我们采用解析方法研究了具有给定度序列的统计图系综，并表明这种我们称之为自环悖论的现象，既可能取决于 GNN 的层数 ，也可能取决于 的奇偶性。我们在合成节点分类任务中实验验证了我们的理论发现，并在 23 个真实世界图中探讨了其实际相关性。
引用
@article{arxiv.2312.01721,
title = {The Self-Loop Paradox: Investigating the Impact of Self-Loops on Graph Neural Networks},
author = {Moritz Lampert and Ingo Scholtes},
journal= {arXiv preprint arXiv:2312.01721},
year = {2023}
}
备注
Presented at the Second Learning on Graphs Conference (LoG 2023) as extended abstract