GREAD: Graph Neural Reaction-Diffusion Networks

要約

タイトル：GREAD：グラフニューラル反応拡散ネットワーク
要約：
– GNN（グラフニューラルネットワーク）は、ディープラーニングの最もポピュラーな研究トピックの1つである。
– GNNの方法は通常、グラフ信号処理理論の上に設計されている。
– 拡散方程式がGNNのコア処理レイヤーの設計に広く使用されており、そのため厄介なオーバースムージング問題に対して脆弱である。
– 最近、いくつかの論文が、反応方程式と拡散方程式を組み合わせたことに注目しているが、限られた形式の反応方程式しか考慮していない。
– そのため、私たちは私たちが設計した特別な反応方程式を含め、すべての人気のある種類の反応方程式を考慮した反応拡散方程式に基づくGNN方法を提案する。
– 私たちの論文は、反応拡散方程式に基づくGNNの最も包括的な研究の1つである。
– 9つのデータセットと28のベースラインでの実験では、私たちの方法であるGREADが、多数の場合でベースラインを上回っていることがわかった。
– さらに、合成データの実験では、オーバースムージング問題を緩和し、さまざまな同型度に対してうまく機能することが示された。

要約(オリジナル)

Graph neural networks (GNNs) are one of the most popular research topics for deep learning. GNN methods typically have been designed on top of the graph signal processing theory. In particular, diffusion equations have been widely used for designing the core processing layer of GNNs, and therefore they are inevitably vulnerable to the notorious oversmoothing problem. Recently, a couple of papers paid attention to reaction equations in conjunctions with diffusion equations. However, they all consider limited forms of reaction equations. To this end, we present a reaction-diffusion equation-based GNN method that considers all popular types of reaction equations in addition to one special reaction equation designed by us. To our knowledge, our paper is one of the most comprehensive studies on reaction-diffusion equation-based GNNs. In our experiments with 9 datasets and 28 baselines, our method, called GREAD, outperforms them in a majority of cases. Further synthetic data experiments show that it mitigates the oversmoothing problem and works well for various homophily rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI