Rhomboid Tiling for Geometric Graph Deep Learning

要約

グラフニューラルネットワーク（GNNS）は、近隣ベースのメッセージパスフレームワークを介してグラフ構造データから学習するのに効果的であることが証明されています。
多くの階層的なグラフクラスタリングプーリング方法は、クラスタリングベースの戦略を導入し、より表現力豊かで強力なモデルの構築を可能にすることにより、このフレームワークを変更します。
ただし、これらのメッセージパスフレームワークはすべて、グラフの接続構造に大きく依存しており、幾何学的グラフに固有の豊富な幾何学的特徴をキャプチャする能力を制限しています。
これに対処するために、Rhomboidタイル（RT）クラスタリングを提案します。これは、データの複雑な幾何学的情報を活用し、その高次の幾何学的構造を効果的に抽出することによりクラスタリングを実行する菱形タイル構造に基づく新しいクラスタリング方法です。
さらに、グラフ分類タスクのRTクラスタリングに基づいて、階層グラフクラスタリングプーリングモデルであるRtpoolを設計します。
提案されたモデルは、優れたパフォーマンスを示し、7つのベンチマークデータセットすべてで21の最先端の競合他社よりも優れています。

要約(オリジナル)

Graph Neural Networks (GNNs) have proven effective for learning from graph-structured data through their neighborhood-based message passing framework. Many hierarchical graph clustering pooling methods modify this framework by introducing clustering-based strategies, enabling the construction of more expressive and powerful models. However, all of these message passing framework heavily rely on the connectivity structure of graphs, limiting their ability to capture the rich geometric features inherent in geometric graphs. To address this, we propose Rhomboid Tiling (RT) clustering, a novel clustering method based on the rhomboid tiling structure, which performs clustering by leveraging the complex geometric information of the data and effectively extracts its higher-order geometric structures. Moreover, we design RTPool, a hierarchical graph clustering pooling model based on RT clustering for graph classification tasks. The proposed model demonstrates superior performance, outperforming 21 state-of-the-art competitors on all the 7 benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google