Co-attention Graph Pooling for Efficient Pairwise Graph Interaction Learning

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ構造データの処理と学習に効果的であることが証明されています。
ただし、これまでの研究は主に単一のグラフ入力を理解することに焦点を当てていましたが、実際のアプリケーションの多くはグラフ構造データのペアごとの分析 (シーン グラフ マッチング、コード検索、薬物間相互作用予測など) を必要としていました。
この目的を達成するために、最近の研究では、グラフのペア間の相互作用を学習することに焦点を移しています。
パフォーマンスが向上したにもかかわらず、これらの研究は相互作用がノードレベルで考慮されるという点で依然として制限があり、その結果、高い計算コストと次善のパフォーマンスが発生しました。
この問題に対処するために、グラフ プーリングでの共注意を使用して相互作用表現を抽出するための、新しく効率的なグラフ レベルのアプローチを提案します。
私たちの手法である Co-Attendee Graph Pooling (CAGPool) は、実世界のデータセットを使用した分類タスクと回帰タスクの両方において、計算の複雑さを低く抑えながら、既存の手法と比べて優れたパフォーマンスを示します。

要約(オリジナル)

Graph Neural Networks (GNNs) have proven to be effective in processing and learning from graph-structured data. However, previous works mainly focused on understanding single graph inputs while many real-world applications require pair-wise analysis for graph-structured data (e.g., scene graph matching, code searching, and drug-drug interaction prediction). To this end, recent works have shifted their focus to learning the interaction between pairs of graphs. Despite their improved performance, these works were still limited in that the interactions were considered at the node-level, resulting in high computational costs and suboptimal performance. To address this issue, we propose a novel and efficient graph-level approach for extracting interaction representations using co-attention in graph pooling. Our method, Co-Attention Graph Pooling (CAGPool), exhibits competitive performance relative to existing methods in both classification and regression tasks using real-world datasets, while maintaining lower computational complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google