Core Concepts
Ein Graph-Inception-Diffusions-Netzwerk (GIDN), das die Graph-Diffusion in verschiedenen Merkmalsräumen verallgemeinert und das Inception-Modul verwendet, um den hohen Rechenaufwand durch komplexe Netzwerkstrukturen zu vermeiden.
Abstract
In dieser Arbeit stellen die Autoren ein Graph-Inception-Diffusions-Netzwerk (GIDN) vor. Dieses Modell verallgemeinert die Graph-Diffusion in verschiedenen Merkmalsräumen und verwendet das Inception-Modul, um den hohen Rechenaufwand durch komplexe Netzwerkstrukturen zu vermeiden.
Die Autoren evaluieren das GIDN-Modell auf dem Open Graph Benchmark (OGB)-Datensatz ogbl-collab und erreichen eine um 11% höhere Leistung als AGDN.
Das Kernkonzept des GIDN-Modells ist die Einkapselung der Darstellung der Graph-Diffusion, die eine bessere Grundlage für die Vorhersage bietet als der Graph selbst. Die Graph-Diffusion verwendet eine Matrix für jedes Vorhersageziel in einem Graphen, um die Informationen in seiner Nähe darzustellen. Standardmäßige Graph-Diffusions-Operationen erfordern jedoch umfangreiche Tensor-Berechnungen, die viel Speicherplatz und Rechenzeit benötigen.
Das GIDN-Modell verwendet eine Kombination aus Knoten mit kleinen Sprüngen und lernbaren verallgemeinerten Gewichtungskoeffizienten, um eine mehrschichtige verallgemeinerte Graph-Diffusion in verschiedenen Merkmalsräumen zu erreichen, während es auch eine moderate Komplexität und Laufzeit sicherstellt.
Um die Tiefe des Netzwerks zu erhöhen, ohne dass es zu komplex wird, verwenden die Autoren das Inception-Modul, das reichhaltige Merkmale erfassen kann, ohne den mit einem zu tiefen Netzwerk verbundenen Rechenaufwand.
Darüber hinaus nutzen die Autoren Datenerweiterung, um die Dimension der Trainingsdaten zu erweitern, indem sie sich auf Knoten und Kanten im Graphen konzentrieren, z.B. durch zufälliges Löschen von Kanten zwischen Knoten mit unterschiedlichen Labels und Hinzufügen von Verbindungen zwischen Knoten mit den gleichen Labels.
Stats
Die Ergebnisse zeigen, dass das GIDN-Modell eine um 11% höhere Leistung als AGDN auf dem ogbl-collab-Datensatz erreicht.
Quotes
"Encapsulating the representation of graph diffusion can provide a better basis for prediction than the graph itself."
"If the depth of the network is increased, the network will become computationally complex. The Inception module is able to capture rich features while avoiding the computational effort associated with an overly deep network, making it more adaptable to training with a large number of samples."