How do Probabilistic Graphical Models and Graph Neural Networks Look at Network Data?

要約

グラフは、リレーショナルデータを表すための強力なデータ構造であり、複雑な現実世界システムを記述するために広く使用されています。
確率的グラフィカルモデル（PGM）とグラフニューラルネットワーク（GNNS）は、グラフ構造データを活用できますが、その固有の機能は異なります。
問題は、ネットワーク化されたデータセットに含まれる情報をキャプチャする際にどのように比較するのでしょうか？
リンク予測タスクを解決することによりこの目的に対処し、合成ネットワークと実際のネットワークの両方で3つの主要な実験を行います。1つはPGMとGNNSが入力機能を処理する方法に焦点を当て、他の2つはノイズの多い機能とグラフのヘテロフィリーの増加を調査します。
PGMは必ずしもノード上の機能を必要とするわけではありませんが、GNNはネットワークエッジのみを悪用することはできず、入力機能の選択が重要です。
入力機能が低次元またはうるさい場合、GNNはPGMによってアウトパフォームされていることがわかり、ノード属性がスカラーまたはノイズが多い場合がある多くの実際のシナリオを模倣しています。
次に、グラフの異種が増加すると、PGMがGNNよりも堅牢であることがわかります。
最後に、予測タスクを超えたパフォーマンスを評価するために、計算の複雑さと解釈可能性の観点から2つのフレームワークも比較します。

要約(オリジナル)

Graphs are a powerful data structure for representing relational data and are widely used to describe complex real-world systems. Probabilistic Graphical Models (PGMs) and Graph Neural Networks (GNNs) can both leverage graph-structured data, but their inherent functioning is different. The question is how do they compare in capturing the information contained in networked datasets? We address this objective by solving a link prediction task and we conduct three main experiments, on both synthetic and real networks: one focuses on how PGMs and GNNs handle input features, while the other two investigate their robustness to noisy features and increasing heterophily of the graph. PGMs do not necessarily require features on nodes, while GNNs cannot exploit the network edges alone, and the choice of input features matters. We find that GNNs are outperformed by PGMs when input features are low-dimensional or noisy, mimicking many real scenarios where node attributes might be scalar or noisy. Then, we find that PGMs are more robust than GNNs when the heterophily of the graph is increased. Finally, to assess performance beyond prediction tasks, we also compare the two frameworks in terms of their computational complexity and interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google