Evolving Computation Graphs

要約

グラフ ニューラル ネットワーク (GNN) は、リレーショナル データ、特に同種性を示すデータ、つまりノード間の接続がそれらが同じクラスに属していることを意味する傾向があるデータのモデリングに成功していることを実証しています。
ただし、この仮定は多くの関連状況で当てはまりますが、現実世界ではこの仮定に反する重要なシナリオが存在しており、このことがこれらのケースに対応する GNN を改善する研究に拍車をかけています。
この研究では、異好性データセットで GNN を強化するための新しい方法である進化型計算グラフ (ECG) を提案します。
私たちのアプローチは、同じクラスにある可能性が高いノードを接続するエッジを追加する方向に GNN の計算グラフを再配線することにより、ノード次数、高い相同性、クラス間埋め込み類似性とクラス内埋め込み類似性を結び付ける事前の理論的洞察に基づいています。
これらのエッジを識別するために弱い分類器を利用し、結果として非同種データに対する GNN のパフォーマンスを最終的に向上させます。
私たちは、最近提案された異種親和性データセットの多様なセットに基づいて ECG を評価し、関連するベースラインを超える改善を実証します。
ECG は、事前のドメイン知識を必要とせずに、異好性データセットでの GNN パフォーマンスを向上させるための、シンプルで直感的かつ洗練されたアプローチを提供します。

要約(オリジナル)

Graph neural networks (GNNs) have demonstrated success in modeling relational data, especially for data that exhibits homophily: when a connection between nodes tends to imply that they belong to the same class. However, while this assumption is true in many relevant situations, there are important real-world scenarios that violate this assumption, and this has spurred research into improving GNNs for these cases. In this work, we propose Evolving Computation Graphs (ECGs), a novel method for enhancing GNNs on heterophilic datasets. Our approach builds on prior theoretical insights linking node degree, high homophily, and inter vs intra-class embedding similarity by rewiring the GNNs’ computation graph towards adding edges that connect nodes that are likely to be in the same class. We utilise weaker classifiers to identify these edges, ultimately improving GNN performance on non-homophilic data as a result. We evaluate ECGs on a diverse set of recently-proposed heterophilous datasets and demonstrate improvements over the relevant baselines. ECG presents a simple, intuitive and elegant approach for improving GNN performance on heterophilic datasets without requiring prior domain knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google