Beschreibung
Das Graph Isomorphism Network (GIN) ist eine Architektur für graphenbasierte neuronale Netzwerke (GNN), die in "Wie mächtig sind graphenbasierte neuronale Netzwerke?" vorgeschlagen wurde, einem Papier von Keyulu Xu, Weihua Hu, Jure Leskovec und Stefanie Jegelka, das als Blind-Einreichung auf der ICLR 2019-Konferenz präsentiert wurde. GNNs lernen Repräsentationen von Graphen, indem sie wiederholt die Repräsentationsvektoren benachbarter Knoten aggregieren und transformieren. Zu dem Zeitpunkt, als das Papier veröffentlicht wurde, existierten viele Varianten von GNNs, aber ihre repräsentativen Grenzen waren nicht gut verstanden.
Weiterlesen
Das Papier baut einen theoretischen Rahmen auf, um zu messen, wie gut eine bestimmte GNN-Variante verschiedene Graphstrukturen unterscheiden kann. Es zeigt, dass beliebte Varianten wie Graph Convolutional Networks und GraphSAGE bestimmte einfache Graphstrukturen nicht voneinander unterscheiden können. Aus dieser Analyse leiten die Autoren GIN ab: eine Architektur, die sie als die ausdrucksstärkste unter den GNNs mit Nachrichtenübertragung nachweisen, die die diskriminative Kraft des Weisfeiler-Lehman-Graph-Isomorphismus-Tests erreicht, einem klassischen Algorithmus zur Feststellung, ob zwei Graphen strukturell identisch sind.
Das Papier validiert GIN empirisch anhand einer Reihe von Benchmarks zur Graphklassifikation und berichtet über Ergebnisse auf dem Stand der Technik zum Zeitpunkt der Veröffentlichung. Die aufgeführten Schlüsselwörter sind graphenbasierte neuronale Netzwerke, Theorie, tiefes Lernen, repräsentative Kraft, Graph-Isomorphismus und tiefe Multimengen, die sowohl den theoretischen Beitrag, den Ausdrucksrahmen als auch das resultierende Modell widerspiegeln.
Dies ist eine veröffentlichte Forschungsarchitektur und kein gehostetes Produkt oder kostenpflichtiger Dienst; kein Anbieter verkauft den Zugang dazu, und es wird typischerweise über Open-Source-Implementierungen in allgemeinen Graphen-Lernbibliotheken verwendet, anstatt über die eigene Seite des Papiers.
GIN richtet sich an Forscher und Praktiker, die graphenbasierte neuronale Netzwerke aufbauen oder bewerten, insbesondere für die Klassifikation von Graphen, und nicht an Endbenutzer. Als spezifische Architektur aus der Forschung von 2018-2019 ist es ein Punkt in einem sich schnell entwickelnden Bereich; spätere Arbeiten haben weitere GNN-Varianten und Ergebnisse zur Ausdruckskraft vorgeschlagen, die darauf aufbauen oder diese erweitern, sodass es als grundlegende Referenz und nicht als aktueller Stand der Technik gelesen werden sollte.
- KategorieWeitere KI-Tools
- PreismodellOpen Source
- BereitstellungSelbst gehostet
- PlattformenWeb
Graph Isomorphism Network im Überblick
Nachweislich die ausdrucksstärkste Architektur unter den graphenbasierten neuronalen Netzwerken mit Nachrichtenübertragung
Erreicht die diskriminative Kraft des Weisfeiler-Lehman-Graph-Isomorphismus-Tests
Basiert auf einem theoretischen Rahmen, der analysiert, welche Graphstrukturen eine GNN-Variante unterscheiden kann oder nicht
Empirisch validiert an mehreren Benchmarks zur Graphklassifikation
Vergleicht direkt seine Ausdruckskraft mit Graph Convolutional Networks und GraphSAGE
Wurde zusammen mit einem formalen Beweis eingeführt, der in der Theorie der tiefen Multimengen verankert ist
Erste Schritte mit Graph Isomorphism Network
Lesen Sie die Zusammenfassung: Überprüfen Sie den theoretischen Rahmen der Ausdruckskraft von GNNs auf der OpenReview-Forumseite des Papiers
Lesen Sie das vollständige Papier: Folgen Sie der OpenReview-Liste zum PDF für die vollständige Ableitung und die Beweise
Überprüfen Sie die Benchmarks: Überprüfen Sie die Experimente zur Graphklassifikation, die die Autoren berichten
Finden Sie eine Implementierung: Suchen Sie nach GIN in gängigen Open-Source-Graphen-Lernbibliotheken, um die Architektur direkt anzuwenden
Graph Isomorphism Network's Anwendungsfälle
- Forschung zur Graphklassifikation
- Analyse der Ausdruckskraft von GNNs
- Lehren der GNN-Theorie
