Transferability of Graph Neural Networks: an Extended Graphon Approach

Sohir Maskey; Ron Levie; Gitta Kutyniok

Transferability of Graph Neural Networks: an Extended Graphon Approach

机器学习 2022-06-28 v2 数值分析数值分析

作者: Sohir Maskey , Ron Levie , Gitta Kutyniok

摘要

我们研究谱图卷积神经网络（GCNNs），其中滤波器通过函数演算定义为图移位算子（GSO）的连续函数。谱GCNN不针对特定图，可以在不同图之间迁移。因此研究GCNN的可迁移性很重要：即网络在不同但表示相同现象的图上具有大致相同影响的能力。可迁移性确保在训练集上训练的GCNN如果测试集中的图表示与训练集相同的现象，则能够泛化。在本文中，我们考虑基于图论分析的可迁移性模型。图论是图的极限对象，在图范式中，如果两个图都近似于同一个图论，则它们表示相同的现象。我们的主要贡献总结如下：1）我们证明任何具有连续滤波器的固定GCNN在近似相同图论的图下是可迁移的；2）我们证明了对于近似无界图论移位算子（本文定义）的图的可迁移性；3）我们获得了非渐近近似结果，证明了GCNN的线性稳定性。这扩展了当前最先进的结果，这些结果显示了在近似有界图论的图下多项式滤波器的渐近可迁移性。

关键词

图神经网络可迁移性图论谱图卷积滤波器

引用

@article{arxiv.2109.10096,
  title  = {Transferability of Graph Neural Networks: an Extended Graphon Approach},
  author = {Sohir Maskey and Ron Levie and Gitta Kutyniok},
  journal= {arXiv preprint arXiv:2109.10096},
  year   = {2022}
}

备注

Preprint in Review

Transferability of Graph Neural Networks: an Extended Graphon Approach

摘要

关键词

引用

备注

相关论文