Effiziente Subgraph-GNNs durch das Erlernen effektiver Auswahlstrategien

Subgraph-GNNs sind ausdrucksstarke neuronale Architekturen, die Graphdarstellungen aus Mengen von Subgraphen erlernen. Leider wird ihre Anwendbarkeit durch die hohe Rechenleistung, die mit dem Nachrichtenaustausch auf vielen Subgraphen verbunden ist, beeinträchtigt. In dieser Arbeit betrachten wir das Problem, in einer datengesteuerten Art und Weise eine kleine Teilmenge der großen Menge möglicher Subgraphen auszuwählen. Wir schlagen einen neuen Ansatz namens POLICY-LEARN vor, der iterativ lernt, wie Subgraphen auszuwählen sind. Wir zeigen, dass im Gegensatz zu gängigen Zufallsstrategien und früheren Arbeiten, die dasselbe Problem angehen, unsere Architektur in der Lage ist, die effizienten Strategien zu erlernen, die wir erwähnen.