Balancing Efficiency and Expressiveness: Subgraph GNNs with Walk-Based Centrality

要約

私たちは、グラフ ニューラル ネットワーク (GNN) の 2 つの優れた拡張機能であるサブグラフ GNN と構造エンコーディング (SE) の長所を組み合わせた、表現力豊かで効率的なアプローチを提案します。
私たちのアプローチは、SE の強力な形式として、またサブグラフ GNN のサブグラフ選択戦略としても、ウォークベースの中心性測定を活用しています。
摂動解析との関係を描くことで、中心性ベースのサンプリングの有効性を強調し、それがサブグラフ GNN に関連する計算負荷を大幅に軽減することを示します。
さらに、効率的なサブグラフ GNN と計算された中心性から導出された SE を組み合わせ、HyMN と呼ばれるこのハイブリッド アプローチにより識別力が向上することを実証します。
HyMN は、サブグラフ GNN の計算コストを軽減しながら、メッセージ パッシング ニューラル ネットワーク (MPNN) の表現力の制限に効果的に対処します。
合成タスクと現実世界のタスクに関する一連の実験を通じて、フルバッグ サブグラフ GNN やその他の最先端のアプローチと比べて著しく短縮された実行時間でありながら、他のサブグラフ サンプリング アプローチよりも優れたパフォーマンスを発揮することを示しました。

要約(オリジナル)

We propose an expressive and efficient approach that combines the strengths of two prominent extensions of Graph Neural Networks (GNNs): Subgraph GNNs and Structural Encodings (SEs). Our approach leverages walk-based centrality measures, both as a powerful form of SE and also as a subgraph selection strategy for Subgraph GNNs. By drawing a connection to perturbation analysis, we highlight the effectiveness of centrality-based sampling, and show it significantly reduces the computational burden associated with Subgraph GNNs. Further, we combine our efficient Subgraph GNN with SEs derived from the calculated centrality and demonstrate this hybrid approach, dubbed HyMN, gains in discriminative power. HyMN effectively addresses the expressiveness limitations of Message Passing Neural Networks (MPNNs) while mitigating the computational costs of Subgraph GNNs. Through a series of experiments on synthetic and real-world tasks, we show it outperforms other subgraph sampling approaches while being competitive with full-bag Subgraph GNNs and other state-of-the-art approaches with a notably reduced runtime.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google