核心概念
グラフニューラルネットワークにおけるオーバースムージング現象を解決するためのKuramotoGNNの提案とその効果的な性能を示す。
要約
本研究では、KuramotoGNNという新しい連続深度グラフニューラルネットワークを紹介し、オーバースムージング問題と結合振動子ネットワークにおける位相同期の間につながりを確立します。非同一の固有周波数項を取り入れることで、オーバースムージング問題を軽減し、同期化とKuramotoモデルから得られた洞察を活用します。実験結果は、他のGNN変種に比べてKuramotoGNNの優れた性能を示しています。
統計
KuramotoGNN: 85.18% ± 1.3 (CORA), 76.01% ± 1.4 (Citeseer), 80.15% ± 0.3 (Pubmed), 84.6% ± 0.59 (Computers), 92.35% ± 0.2 (CoauthorCS), 93.99% ± 0.17 (Photo)
GraphCON: 84.2% ± 1.3 (CORA), 74.2% ± 1.7 (Citeseer), 79.4% ± 1.3 (Pubmed), 84.1% ± 0.9 (Computers), 90.5% ± 1.0 (CoauthorCS),93,16 %±0,5(Photo)
GRAND++:82,95 %±1,37(CORA)、73,53 %±3,31(Citeseer)、79,16 %±1,37(Pubmed)、82,99 %±0,81(Computers)、90,80 %±0,34(CoauthorCS)、93,55 %±0,38(Photo)
GRAND-l:82,46 %±1,64(CORA)、73,4 %±5,05(Citeseer)、78,8 %±1,63(Pubmed)、84,27 %±0,6(Computers)、91,24%±0,4(CoauthorCS)、93,6%±0,4(Photo)
GCNII:84,02%±0,5(CORA)、70,26%±0,7(Citeseer)、78,95%±0,9(Pubmed)、80,28%±2,1(Computers)、91,11%±0,2(CoauthorCS)、92,
10%+/-0.4(写真)
GCN:82.07%+/-2.03(CORA)、74.21%+/-2.90(Citeseer)、76.89%+/-3.27(Pubmed)、82.94%+/-1.54(コンピュータ)、
91.09%+/-0.35(共著者)、
91.95
%
0
.
1
1
(
写真)
GAT:
04%
54
(
CORA),
02%
82
(
Citeseer),
55%
09
(
Pubmed),
98%
96
(
コンピュータ)、
33%
0.
36
(
共著者)、
29%
0.
67
(
写真)
GraphSAGE:
82,
07%
2,
03
(
CORA),
71,
52%
4,
11
(
Citeseer),
76,
49%
1,
75
(
Pubmed),
73,
66%
2,
87
(
コンピュータ)、
90,
31%
0,
41 ( 共 著 者)
、
88,
61 %
1,
18 ( 写 真)
引用
"Over-smoothing is the phase synchronization state of the node features."
"In synchronization networks like coupled oscillators evolve synchronously on the same solution."
"The proposed KuramotoGNN demonstrates superior performance compared to other GNN variants."