Core Concepts
Graph Unitary Message Passing (GUMP) wendet unitäre Adjazenzmatrizen für den Nachrichtenaustausch in Graphen an, um das Oversquashing-Problem in Graphneuronalen Netzen (GNNs) zu mildern.
Abstract
Der Artikel stellt eine neue Methode namens Graph Unitary Message Passing (GUMP) vor, um das Oversquashing-Problem in Graphneuronalen Netzen (GNNs) zu adressieren.
Zunächst wird motiviert, dass das Oversquashing-Problem in GNNs ähnlich wie in rekurrenten neuronalen Netzen (RNNs) auftritt, da beide Modelle auf der Potenzierung von Transformationsmatrizen basieren. Inspiriert von unitären RNNs, schlägt GUMP vor, die Adjazenzmatrix für den Nachrichtenaustausch in GNNs unitär zu gestalten, um so das Oversquashing zu mildern.
Um dies zu erreichen, transformiert GUMP den Eingabegraphen zunächst in einen Liniengraphen, dessen Adjazenzmatrix unitär ist. Anschließend wird eine effiziente Methode zur Berechnung der unitären Adjazenzmatrix vorgestellt, die die Permutationsäquivarianz des Nachrichtenaustauschs erhält.
Die experimentellen Ergebnisse zeigen, dass GUMP die Leistung auf verschiedenen Graphlernaufgaben im Vergleich zu bisherigen Methoden zur Bekämpfung von Oversquashing deutlich verbessert. Zudem belegen theoretische Analysen, dass GUMP eine optimale Jacobi-Maßzahl des Oversquashings erreicht, im Gegensatz zu exponentiellen Verfallsraten bei klassischen GNNs.
Stats
Die Jacobi-Maßzahl des Oversquashings für GUMP ändert sich nicht exponentiell mit der Anzahl der Schichten, im Gegensatz zu anderen Methoden, deren Maßzahl exponentiell abfällt.
Quotes
"GUMP alleviates oversquashing by applying unitary adjacency matrix for message passing. Compared with previous works, GUMP achieves the optimal Jacobian measure of oversquashing."
"GUMP maintains the structural bias with a graph transformation algorithm and preserves the permutation equivariance of message passing with unitary projection."