Commute Graph Neural Networks

要約

グラフニューラルネットワーク（GNNS）は、グラフ構造データから学習に顕著な成功を示しています。
ただし、指示されたグラフ（gigraph）へのアプリケーションは、主にノード関係に固有の非対称性が原因で、独自の課題を提示します。
従来のGNNは、単方向の関係を捉えるのに熟達していますが、gigraphで通常見られる非対称の最も短いパスなど、ノード間の相互パス依存性をエンコードすることは不足しています。
このギャップを認識して、通勤グラフニューラルネットワーク（CGNN）を導入します。これは、ノードごとの通勤時間をメッセージパススキームにシームレスに統合するアプローチです。
CGNNの礎石は、新しく処方されたDigraph Laplacianを使用して通勤時間を計算するための効率的な方法です。
その後、通勤時間は近隣の集約プロセスに統合され、各レイヤーの中央ノードへのそれぞれの通勤時間に従って近隣の寄付が加重されます。
これにより、CGNNは、gigraphsの相互の非対称関係を直接キャプチャできます。
8つのベンチマークデータセットでの広範な実験では、13の最先端の方法に対するCGNNの優位性が確認されています。

要約(オリジナル)

Graph Neural Networks (GNNs) have shown remarkable success in learning from graph-structured data. However, their application to directed graphs (digraphs) presents unique challenges, primarily due to the inherent asymmetry in node relationships. Traditional GNNs are adept at capturing unidirectional relations but fall short in encoding the mutual path dependencies between nodes, such as asymmetrical shortest paths typically found in digraphs. Recognizing this gap, we introduce Commute Graph Neural Networks (CGNN), an approach that seamlessly integrates node-wise commute time into the message passing scheme. The cornerstone of CGNN is an efficient method for computing commute time using a newly formulated digraph Laplacian. Commute time is then integrated into the neighborhood aggregation process, with neighbor contributions weighted according to their respective commute time to the central node in each layer. It enables CGNN to directly capture the mutual, asymmetric relationships in digraphs. Extensive experiments on 8 benchmarking datasets confirm the superiority of CGNN against 13 state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google