NetInfoF Framework: Measuring and Exploiting Network Usable Information

要約

ノード属性のグラフとグラフ タスク (リンク予測またはノード分類) が与えられた場合、グラフ ニューラル ネットワーク (GNN) が適切にパフォーマンスするかどうかを判断できますか?
より具体的には、グラフ構造とノードの特徴は、タスクに使用できる十分な情報を含んでいますか?
私たちの目標は、(1) グラフ構造とノードの特徴にどれだけの情報があるかを測定する高速ツールを開発すること、(2) 十分な情報があれば、その情報を活用してタスクを解決することです。
我々は、NetInfoF_ProbeとNetInfoF_Actを含むフレームワークであるNetInfoFを、それぞれネットワーク利用可能情報（NUI）の測定と活用のために提案します。
グラフ データが与えられると、NetInfoF_Probe はモデル トレーニングなしで NUI を測定し、NetInfoF_Act はリンク予測とノード分類を解決しますが、2 つのモジュールは同じバックボーンを共有します。
要約すると、NetInfoF には次のような顕著な利点があります。 (a) 一般に、リンク予測とノード分類の両方を処理します。
(b) 理論的保証と閉じた形式の解決策を備えた原則的なもの。
(c) ノード類似性に対する提案された調整のおかげで効果的。
(d) スケーラブルで、入力サイズに応じて線形にスケーリングします。
慎重に設計された合成データセットでは、NetInfoF は NUI のグラウンド トゥルースを正確に識別し、すべてのグラフ シナリオに対して堅牢な唯一の方法です。
現実世界のデータセットに適用すると、一般的な GNN ベースラインと比較して、リンク予測において NetInfoF が 12 回中 11 回で勝利を収めました。

要約(オリジナル)

Given a node-attributed graph, and a graph task (link prediction or node classification), can we tell if a graph neural network (GNN) will perform well? More specifically, do the graph structure and the node features carry enough usable information for the task? Our goals are (1) to develop a fast tool to measure how much information is in the graph structure and in the node features, and (2) to exploit the information to solve the task, if there is enough. We propose NetInfoF, a framework including NetInfoF_Probe and NetInfoF_Act, for the measurement and the exploitation of network usable information (NUI), respectively. Given a graph data, NetInfoF_Probe measures NUI without any model training, and NetInfoF_Act solves link prediction and node classification, while two modules share the same backbone. In summary, NetInfoF has following notable advantages: (a) General, handling both link prediction and node classification; (b) Principled, with theoretical guarantee and closed-form solution; (c) Effective, thanks to the proposed adjustment to node similarity; (d) Scalable, scaling linearly with the input size. In our carefully designed synthetic datasets, NetInfoF correctly identifies the ground truth of NUI and is the only method being robust to all graph scenarios. Applied on real-world datasets, NetInfoF wins in 11 out of 12 times on link prediction compared to general GNN baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google