图片

 

在机器学习技术不断加速发展的今天，数据在构建智能模型、模拟现象、预测值、做出决策等方面起着至关重要的作用。在越来越多的应用中，数据以网络的形式出现。网络数据固有的图结构推动了图表示学习领域的发展。它的作用范围包括为图及其组件(即节点和边)生成有意义的表示。随着消息传递框架在图上的成功应用，即图神经网络，加速了图表示学习的研究。学习图上的信息和表达性表示在广泛的现实世界应用中发挥着关键作用，从电信和社会网络、城市设计、化学和生物学。本文研究了图神经网络更具表现力的各个方面，提出了新的方法来提高它们在标准图学习任务中的性能。本论文的主要分支包括:图表示的普适性，图神经网络感受野的增加，稳定的更深层次图学习模型的设计，以及标准消息传递框架的替代方案。进行了理论和实验研究，展示了所提出的方法如何成为设计更强大的图学习模型的有价值和有效的工具。

在论文的第一部分中，我们研究了图表示质量作为辨别能力的函数，即，我们如何容易地区分非同构的图。首先，我们证明了标准的消息传递方案是不通用的，因为简单的聚合器无法分离具有歧义的节点(相似的属性向量和邻域结构)。基于发现的局限性，我们提出了一个简单的着色方案，可以提供普遍的表示，理论保证和实验验证的性能优势。其次，超越了标准的消息传递范式，我们提出了一种将图语料库作为一个整体来处理的方法，而不是检查图对。为此，我们学习了每个图的软排列矩阵，并将所有图投影到公共向量空间中，在图分类任务中实现了稳定的性能。

论文链接：https://hal.inria.fr/tel-03666690/

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除