Heterophily-informed Message Passing

要約

グラフニューラルネットワーク（GNNS）は、暗黙の同性愛の仮定により、滑走に対する脆弱性に対して脆弱であることが知られています。
この問題を、メッセージの集約を調節する新しいスキームでこの問題を緩和し、メッセージの低および高周波コンポーネントの両方を保存するメッセージのタイプと範囲を局所的に調整します。
私たちのアプローチは、学習した埋め込みのみに依存しており、補助ラベルの必要性を排除し、より広範なアプリケーション、たとえば生成モデリングに異種の認識埋め込みの利点を拡大します。
さまざまなデータセットとGNNアーキテクチャにわたって実施された実験は、パフォーマンスの強化を実証し、標準分類ベンチマーク全体で異種パターンを明らかにします。
さらに、分子生成への適用により、化学情報学のベンチマークで顕著なパフォーマンスの改善が示されます。

要約(オリジナル)

Graph neural networks (GNNs) are known to be vulnerable to oversmoothing due to their implicit homophily assumption. We mitigate this problem with a novel scheme that regulates the aggregation of messages, modulating the type and extent of message passing locally thereby preserving both the low and high-frequency components of information. Our approach relies solely on learnt embeddings, obviating the need for auxiliary labels, thus extending the benefits of heterophily-aware embeddings to broader applications, e.g., generative modelling. Our experiments, conducted across various data sets and GNN architectures, demonstrate performance enhancements and reveal heterophily patterns across standard classification benchmarks. Furthermore, application to molecular generation showcases notable performance improvements on chemoinformatics benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google