Der Artikel untersucht das Problem der Informationsredundanz in Message-Passing-Neuronalen-Netzwerken (MPNNs) und führt einen neuartigen Ansatz ein, um dieses Problem systematisch anzugehen.
Der Kern des Beitrags ist die Entwicklung eines Aggregationsschemas basierend auf Nachbarschaftsbäumen, das es ermöglicht, Redundanz zu kontrollieren. Dazu werden redundante Zweige in den Ausbreitungsbäumen, die der Standard-Message-Passing-Mechanismus zugrunde liegt, beschnitten.
Die Autoren zeigen, dass die reguläre Struktur der Ausbreitungsbäume eine einfache Wiederverwendung von Zwischenergebnissen ermöglicht. Die Verwendung von Nachbarschaftsbäumen stellt jedoch Herausforderungen in Bezug auf die Rechenleistung dar. Daher schlagen die Autoren kompakte Darstellungen von Nachbarschaftsbäumen und deren Zusammenführung vor, um Redundanz in den Berechnungen zu identifizieren und auszunutzen.
Aus den so erhaltenen Knoten- und Grapheneinbettungen wird eine neuronale Architektur abgeleitet, die von Techniken zur Baumkanonisierung inspiriert ist. Der vorgestellte Ansatz ist weniger anfällig für das Problem des Oversquashings als traditionelle Message-Passing-Neuronale-Netzwerke und kann die Genauigkeit auf gängigen Benchmark-Datensätzen verbessern.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Franka Bause... о arxiv.org 03-29-2024
https://arxiv.org/pdf/2310.04190.pdfГлибші Запити