Renormalized Graph Representations for Node Classification

要約

グラフニューラルネットワーク特定の解像度スケールで表されるグラフの情報を処理します。
ノード分類タスクで、Laplacian Rinormalization Group Theoryを介して得られた、さまざまな粗粒グラフ解像度を使用する効果を分析します。
理論のコアは、特定の時間尺度での重要な情報フローによって接続されたグループ化ノードです。
異なるスケールでのグラフの表現は、異なる範囲で相互作用情報をエンコードします。
グラフのメソスコピック構造の特性スケールで表現を使用して特別に実験します。
モデルに元のグラフと特性解像度スケールで表されたグラフを提供し、それらを元のグラフにのみアクセスできるモデルと比較します。
私たちの結果は、元のグラフと特性スケールグラフの両方にアクセスできるモデルが、テストの精度の統計的に大幅な改善を達成できることを示しました。

要約(オリジナル)

Graph neural networks process information on graphs represented at a given resolution scale. We analyze the effect of using different coarse-grained graph resolutions, obtained through the Laplacian renormalization group theory, on node classification tasks. At the theory’s core is grouping nodes connected by significant information flow at a given time scale. Representations of the graph at different scales encode interaction information at different ranges. We specifically experiment using representations at the characteristic scale of the graph’s mesoscopic structures. We provide the models with the original graph and the graph represented at the characteristic resolution scale and compare them to models that can only access the original graph. Our results showed that models with access to both the original graph and the characteristic scale graph can achieve statistically significant improvements in test accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google