TIDE: Time Derivative Diffusion for Deep Learning on Graphs

要約

グラフ ニューラル ネットワークの著名なパラダイムは、メッセージ パッシング フレームワークに基づいています。
この枠組みでは、隣接するノード間でのみ情報通信が実現される。
深い畳み込みネットワークは過度に平滑化する傾向があるため、このパラダイムを使用するアプローチの課題は、ノード間の効率的かつ正確な長距離通信を確保することです。
この論文では、メッセージパッシングフレームワークのこれらの構造的制限を克服する、時間微分グラフ拡散 (TIDE) に基づく新しい方法を紹介します。
私たちのアプローチにより、さまざまなタスクやネットワーク チャネルにわたる拡散の空間範囲を最適化できるため、中距離および長距離の効率的な通信が可能になります。
さらに、私たちのアーキテクチャ設計はローカル メッセージ パッシングも可能にし、ローカル メッセージ パッシング アプローチの機能を継承していることを示します。
広く使用されているグラフ ベンチマークと合成メッシュおよびグラフ データセットの両方で、提案されたフレームワークが最先端の手法を大幅に上回るパフォーマンスを示すことを示します。

要約(オリジナル)

A prominent paradigm for graph neural networks is based on the message-passing framework. In this framework, information communication is realized only between neighboring nodes. The challenge of approaches that use this paradigm is to ensure efficient and accurate long-distance communication between nodes, as deep convolutional networks are prone to oversmoothing. In this paper, we present a novel method based on time derivative graph diffusion (TIDE) to overcome these structural limitations of the message-passing framework. Our approach allows for optimizing the spatial extent of diffusion across various tasks and network channels, thus enabling medium and long-distance communication efficiently. Furthermore, we show that our architecture design also enables local message-passing and thus inherits from the capabilities of local message-passing approaches. We show that on both widely used graph benchmarks and synthetic mesh and graph datasets, the proposed framework outperforms state-of-the-art methods by a significant margin

arxiv情報

提供元, 利用サービス

arxiv.jp, Google