Distributional Signals for Node Classification in Graph Neural Networks

要約

タイトル：グラフニューラルネットワークにおけるノード分類のための分布信号

要約：

– グラフニューラルネットワーク（GNN）では、ノードの特徴量とラベルはグラフ信号の例であり、グラフ信号処理（GSP）における重要な概念です。
– GSPでは、学習や推定のタスクに信号の滑らかさの制約を課すことがよくありますが、離散的なノードラベルに対してどのように行うかは不明です。そこで、分布グラフ信号という概念を導入することで、このギャップを埋めることを提案します。
– 私たちのフレームワークでは、値ではなくノードラベルの分布を扱い、その分布グラフ信号の滑らかさや非均一性の概念を提案します。
– 次に、GNNにおいて、分布信号の滑らかさや非均一性を半教師ありノード分類タスクにおいてモデルの出力にエンコードするための一般的な正則化手法を提案します。
– 数値実験により、私たちの方法が異なる問題設定において多くの基本的なGNNモデルの性能を大幅に改善できることを示しました。

要約(オリジナル)

In graph neural networks (GNNs), both node features and labels are examples of graph signals, a key notion in graph signal processing (GSP). While it is common in GSP to impose signal smoothness constraints in learning and estimation tasks, it is unclear how this can be done for discrete node labels. We bridge this gap by introducing the concept of distributional graph signals. In our framework, we work with the distributions of node labels instead of their values and propose notions of smoothness and non-uniformity of such distributional graph signals. We then propose a general regularization method for GNNs that allows us to encode distributional smoothness and non-uniformity of the model output in semi-supervised node classification tasks. Numerical experiments demonstrate that our method can significantly improve the performance of most base GNN models in different problem settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI