本論文では、グラフニューラルネットワーク(GNN)における正規化手法について議論し、ベンチマークを行っている。従来の正規化手法は、グラフデータの特性を十分に捉えられないため、GNNの表現力を制限してしまう可能性がある。そこで本研究では、グラフ構造に適応的な正規化手法「GRANOLA」を提案する。
GRANOLAでは、GNNに Random Node Features(RNF)を組み合わせることで、グラフの特性を学習し、動的に正規化パラメータを生成する。理論的な分析から、RNFを用いることで、GNNの表現力が向上することが示される。
実験では、様々なグラフベンチマークデータセットにおいて、GRANOLAが既存の正規化手法よりも優れた性能を示すことを確認している。特に、同等の計算量のGNNモデルと比較しても、GRANOLAが最高性能を達成している。これは、GRANOLAがグラフ構造に適応的な正規化を実現できているためだと考えられる。
Til et annet språk
fra kildeinnhold
arxiv.org
Viktige innsikter hentet fra
by Mosh... klokken arxiv.org 04-23-2024
https://arxiv.org/pdf/2404.13344.pdfDypere Spørsmål