Edge-Wise Graph-Instructed Neural Networks

要約

グラフ ノード上のマルチタスク回帰の問題は、最近、メッセージ パッシング グラフ ニューラル ネットワークのサブセットに属する有望なアーキテクチャであるグラフ指示ニューラル ネットワーク (GINN) を通じてアプローチされています。
この研究では、Graph-Instructed (GI) 層の制限について議論し、新しいエッジワイズ GI (EWGI) 層を形式化します。
EWGI 層の利点について説明し、Erdos-R\’enyi グラフから推測されるようなカオス的な接続性を持つグラフ構造の入力データに対して EWGINN が GINN よりも優れたパフォーマンスを発揮するという数値的証拠を提供します。

要約(オリジナル)

The problem of multi-task regression over graph nodes has been recently approached through Graph-Instructed Neural Network (GINN), which is a promising architecture belonging to the subset of message-passing graph neural networks. In this work, we discuss the limitations of the Graph-Instructed (GI) layer, and we formalize a novel edge-wise GI (EWGI) layer. We discuss the advantages of the EWGI layer and we provide numerical evidence that EWGINNs perform better than GINNs over graph-structured input data with chaotic connectivity, like the ones inferred from the Erdos-R\’enyi graph.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google