TIDE：用于图深度学习的时间导数扩散
机器学习
2023-09-18 v3 计算机视觉与模式识别
社会与信息网络
摘要
图神经网络的一个突出范式基于消息传递框架。在该框架中，信息通信仅在相邻节点之间实现。使用此范式的方法面临的挑战是确保节点间高效且准确的长距离通信，因为深度卷积网络易于过平滑。在本文中，我们提出一种基于时间导数图扩散（TIDE）的新方法来克服消息传递框架的这些结构限制。我们的方法允许跨各种任务和网络通道优化扩散的空间范围，从而高效实现中长距离通信。此外，我们展示了我们的架构设计也支持局部消息传递，从而继承了局部消息传递方法的能力。我们表明，在广泛使用的图基准以及合成网格和图数据集上，所提出的框架以显著优势优于最先进的方法。
引用
@article{arxiv.2212.02483,
title = {TIDE: Time Derivative Diffusion for Deep Learning on Graphs},
author = {Maysam Behmanesh and Maximilian Krahn and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2212.02483},
year = {2023}
}
备注
16 pages