GraphRNN Revisited: An Ablation Study and Extensions for Directed Acyclic Graphs

要約

GraphRNN は、You らによって提案された深層学習ベースのアーキテクチャです。
グラフの生成モデルを学習するため。
Youらの結果を再現します。
GraphRNN アーキテクチャの再現された実装を使用し、新しいメトリクスを使用してベースライン モデルに対してこれを評価します。
アブレーション研究を通じて、You らによって提案された BFS トラバーサルが有効であることがわかりました。
同型グラフの表現を折りたたむことは、モデルのパフォーマンスに大きく貢献します。
さらに、GraphRNN を拡張して、BFS トラバーサルをトポロジカル ソートに置き換えることにより、有向非巡回グラフを生成します。
実世界のデータセット上で、この方法が GraphRNN の有向マルチクラス バリアントよりも大幅に改善されることを実証します。

要約(オリジナル)

GraphRNN is a deep learning-based architecture proposed by You et al. for learning generative models for graphs. We replicate the results of You et al. using a reproduced implementation of the GraphRNN architecture and evaluate this against baseline models using new metrics. Through an ablation study, we find that the BFS traversal suggested by You et al. to collapse representations of isomorphic graphs contributes significantly to model performance. Additionally, we extend GraphRNN to generate directed acyclic graphs by replacing the BFS traversal with a topological sort. We demonstrate that this method improves significantly over a directed-multiclass variant of GraphRNN on a real-world dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google