A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs

要約

グラフ ニューラル ネットワークは、グラフ構造のデータに対する表現学習のための優れたモデルです。
これらのモデルの機能と制限は、単純なグラフではよく理解されていますが、ナレッジ グラフのコンテキストでは理解が不完全なままです。
私たちの目標は、リンク予測という重要なタスクに関連するナレッジ グラフのグラフ ニューラル ネットワークの状況を体系的に理解できるようにすることです。
私たちの分析では、一見無関係に見えるモデルに対する統一的な視点が必要となり、他の一連のモデルが明らかになります。
さまざまなモデルの表現力は、対応するリレーショナル Weisfeiler-Leman アルゴリズムによって特徴付けられます。
この分析は、グラフ ニューラル ネットワークのクラスによってキャプチャされた関数のクラスの正確な論理的特徴付けを提供するように拡張されています。
この論文で提示された理論的発見は、広く採用されているいくつかの実際的な設計の選択肢の利点を説明しており、それらは経験的に検証されています。

要約(オリジナル)

Graph neural networks are prominent models for representation learning over graph-structured data. While the capabilities and limitations of these models are well-understood for simple graphs, our understanding remains incomplete in the context of knowledge graphs. Our goal is to provide a systematic understanding of the landscape of graph neural networks for knowledge graphs pertaining to the prominent task of link prediction. Our analysis entails a unifying perspective on seemingly unrelated models and unlocks a series of other models. The expressive power of various models is characterized via a corresponding relational Weisfeiler-Leman algorithm. This analysis is extended to provide a precise logical characterization of the class of functions captured by a class of graph neural networks. The theoretical findings presented in this paper explain the benefits of some widely employed practical design choices, which are validated empirically.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google