מושגי ליבה
Grafische Neuronale Netze (GNNs) können die verborgenen Merkmale, die die Graphenstruktur steuern, allein aus dem Eingabegraphen wiederherstellen, selbst wenn keine informativen Knotenmerkmale vorhanden sind.
תקציר
In dieser Arbeit wird gezeigt, dass Grafische Neuronale Netze (GNNs) in der Lage sind, die verborgenen Merkmale, die die Struktur eines Graphen steuern, allein aus der Graphenstruktur wiederherzustellen, selbst wenn keine informativen Knotenmerkmale vorhanden sind.
Die Hauptergebnisse sind:
GNNs können die Schwellenwertfunktion, die die Graphenerzeugung steuert, konsistent schätzen, indem sie die Stationa¨re Verteilung des Zufallslaufs auf dem Graphen nutzen.
GNNs können die verborgenen Merkmale bis auf eine starre Transformation aus dem Graphen rekonstruieren, indem sie die Distanzstruktur des Graphen und Multidimensionale Skalierung verwenden.
Die Anzahl der zu erlernenden Funktionen ist endlich, unabhängig von der Größe des Graphen. Dies ist wichtig für das Lernen und die Generalisierung.
Die Experimente bestätigen die theoretischen Ergebnisse und zeigen, dass bestehende GNN-Architekturen diese Aufgabe nicht gut lösen können, was die Bedeutung induktiver Verzerrungen für GNNs hervorhebt.
סטטיסטיקה
Die Knotengrade dv und die Anzahl der Knoten n sind die einzigen Merkmale, die den Knoten zur Verfügung stehen.
ציטוטים
Keine relevanten Zitate gefunden.