Core Concepts
Graph Neural Networks(GNNs)における過度な平滑化と過度な圧縮を特徴付け、AFRCに基づくグラフリワイヤリング手法を提案しました。
Abstract
GNNsはグラフ構造データでの学習に成功していますが、長距離接続でエンコードされた情報を正確に活用することや、成長するネットワーク深さで近くのノードの表現を区別することに困難があります。
離散曲率を使用して過度な平滑化と過度な圧縮効果を特徴付け、AFRCに基づくリワイヤリング手法を提案しました。
AFR-kアルゴリズムは、他の方法よりも性能が優れており、計算コストが低いことが実験的に示されました。
グラフトポロジーに依存した新しいリワイヤリングアプローチや対応するハイパーパラメーターの選択肢に関する調査が今後重要です。
Stats
AFRCは時間内に計算可能です。
AFR-kアルゴリズムは競合他社よりも性能が高いことが示されています。
ORCの計算複雑性はO(|E|d3max)です。
Quotes
"Graph rewiring, which adds and removes edges to improve the information flow through the network, has emerged as a promising tool for improving the quality of the learned node embeddings."
"Utilizing fundamental properties of discrete curvature, we propose effective heuristics for hyperparameters in curvature-based rewiring."