Projections of Model Spaces for Latent Graph Inference

要約

タイトル: 潜在グラフ推論のモデル空間の投影
要約:
– グラフニューラルネットワークはグラフの連結構造を帰納的なバイアスとして活用している。
– 潜在グラフ推論は、グラフ構造を学習して情報の拡散を改善し、モデルの下流パフォーマンスを向上させることを目的としている。
– 本研究では、双曲的および球面的なモデル空間の立体投影、およびリーマン多様体の積を潜在グラフ推論に使用する。
– 立体投影されたモデル空間は、曲率がゼロに近づいた場合に空間が発散するのを回避する理論的な保証を提供しながら、非投影されたモデル空間と同等のパフォーマンスを達成する。
– ホモフィリックグラフとヘテロフィリックグラフの両方で実験を行った。

要約(オリジナル)

Graph Neural Networks leverage the connectivity structure of graphs as an inductive bias. Latent graph inference focuses on learning an adequate graph structure to diffuse information on and improve the downstream performance of the model. In this work we employ stereographic projections of the hyperbolic and spherical model spaces, as well as products of Riemannian manifolds, for the purpose of latent graph inference. Stereographically projected model spaces achieve comparable performance to their non-projected counterparts, while providing theoretical guarantees that avoid divergence of the spaces when the curvature tends to zero. We perform experiments on both homophilic and heterophilic graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI