图神经网络几何结构的调谐
机器学习
2022-07-14 v1
摘要
通过在整邻域上递归求和节点特征，空间图卷积算子被誉为图神经网络（GNNs）成功的关键。然而，尽管 GNN 方法在各类任务与应用中激增，这种聚合操作对其性能的影响仍缺乏广泛分析。事实上，尽管研究多聚焦于优化神经网络架构，较少工作试图刻画（a）不同类别的空间卷积算子，（b）特定类别的选择如何与数据性质相关联，以及（c）其对嵌入空间几何的影响。本文中，我们拟回答全部三个问题：将现有算子划分为两大类（对称化与行归一化空间卷积），并展示它们如何转化为对数据性质的不同隐式偏置。最后，我们表明该聚合算子事实上是可调谐的，并给出某些算子选择——及相应嵌入几何——可能更合适的明确情形。
引用
@article{arxiv.2207.05887,
title = {Tuning the Geometry of Graph Neural Networks},
author = {Sowon Jeong and Claire Donnat},
journal= {arXiv preprint arXiv:2207.05887},
year = {2022}
}