Core Concepts
本研究では、最近の微分可能なk-部分集合サンプリングの進歩を活用し、関連する辺を追加し、あまり有益でない辺を省略することを学習する確率的に再接続されたメッセージ伝達型ニューラルネットワーク(PR-MPNN)を提案する。理論的分析により、PR-MPNNがメッセージ伝達型ニューラルネットワーク(MPNN)の表現力を高める方法を初めて探り、ランダムアプローチを上回る条件を特定する。
Abstract
本研究では、確率的に再接続されたメッセージ伝達型ニューラルネットワーク(PR-MPNN)を提案している。
背景
メッセージ伝達型グラフニューラルネットワーク(MPNN)は、グラフ構造化入力を処理する強力なツールとして登場した。
しかし、MPNNは固定された入力グラフ構造を使用し、潜在的なノイズや欠落情報を無視する。
また、局所的な集約メカニズムにより、over-squashingや表現力の限界などの問題が生じる。
既存の解決策は主に発見的手法に依存しており、基礎となるデータ分布を考慮していない。
提案手法
最近の微分可能なk-部分集合サンプリングの進歩を活用し、PR-MPNNを提案する。
上流モデルを使用して候補辺の事前重みを学習する。
これらの重みを使って、k-辺制約付きの確率分布をパラメータ化する。
複数のk-辺隣接行列をこの分布からサンプリングし、下流モデル(典型的にはMPNN)に入力する。
勾配降下法による端到端の学習を可能にするため、離散勾配推定と追跡可能なサンプリング手法を適応する。
理論的分析
PR-MPNNがMPNNの表現力の限界を克服する方法を初めて探る。
ランダムアプローチを上回る条件を特定する。
実験評価
合成データセットでover-squashingとunder-reachingを効果的に軽減できることを示す。
表現力の向上を実証する。
既存のMPNNモデルやグラフトランスフォーマーアーキテクチャと比較して、実世界のデータセットでも競争力のある、あるいは優れた予測性能を示す。
Stats
局所的な集約メカニズムにより、over-squashingや表現力の限界などの問題が生じる。