Der Artikel präsentiert ein Verfahren zur schichtübergreifenden Auswahl von Negativbeispielen für Graphneuronale Netze (GNNs). Traditionelle GNNs, die sich ausschließlich auf Informationen aus direkten Nachbarn (Positivbeispiele) verlassen, können zu Problemen wie Über-Glättung und Über-Komprimierung führen.
Um diese Probleme zu mildern, schlägt der Artikel eine Methode zur schichtübergreifenden Auswahl von Negativbeispielen vor. Diese Methode verwendet eine Sampling-Matrix innerhalb eines deterministischen Punktprozesses, um den Kandidatenraum in einen Vektorraum zu transformieren und selektiv aus diesem Raum zu sampeln, um Negativbeispiele zu generieren. Um die Diversität der Negativbeispiele während jedes Vorwärtsdurchgangs weiter zu erhöhen, entwickeln die Autoren eine Methode zum Zusammenpressen des Vektorraums, um schichtweise Diversität in mehrschichtigen GNNs zu erreichen.
Experimente auf verschiedenen realen Graphdatensätzen zeigen die Effektivität des Ansatzes bei der Verbesserung der Diversität der Negativbeispiele und der Gesamtlernleistung. Darüber hinaus führt das dynamische Hinzufügen von Negativbeispielen zu Änderungen in der Graphtopologie, was das Potenzial hat, die Ausdrucksfähigkeit von GNNs zu verbessern und das Risiko von Über-Komprimierung zu reduzieren.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Wei Duan,Jie... um arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.11408.pdfTiefere Fragen