通过变分信息最大化在图神经网络中利用边特征
机器学习
2019-06-14 v1 机器学习
摘要
图神经网络(GNNs)通过在每个节点基于其邻居递归更新表示向量的方式，在结构化图上取得令人印象深刻的性能，在此过程中需学习用于节点特征更新的参数化变换矩阵。然而，现有传播方案远非最优，因为它们未充分利用节点间的关系信息。我们提出信息最大化图神经网络(IGNN)，其最大化边状态与变换参数间的互信息。我们通过变分方法将互信息重新表述为可微目标。我们将模型与几种近期GNN变体比较，表明我们的模型在多项任务上取得最先进(state-of-the-art)性能，包括QM9数据集上的量子化学回归、从QM9到更大分子图的泛化能力，以及与药物发现相关的分子生物活性预测。如正文所述，IGNN模型基于信息论中优雅而基本的想法，并可轻易推广到本文所考虑分子图语境之外。为鼓励该领域更多未来工作，本文使用的所有数据集与代码将公开发布。
引用
@article{arxiv.1906.05488,
title = {Utilizing Edge Features in Graph Neural Networks via Variational Information Maximization},
author = {Pengfei Chen and Weiwen Liu and Chang-Yu Hsieh and Guangyong Chen and Shengyu Zhang},
journal= {arXiv preprint arXiv:1906.05488},
year = {2019}
}
备注
1. Pengfei Chen and Weiwen Liu have equal contribution. 2. Correspondence to: Guangyong Chen <[email protected]>