Deskripsi
Jaringan Isomorfisme Graf (GIN) adalah arsitektur jaringan saraf graf (GNN) yang diusulkan dalam "Seberapa Kuat Jaringan Saraf Graf?", sebuah makalah oleh Keyulu Xu, Weihua Hu, Jure Leskovec, dan Stefanie Jegelka, yang disajikan sebagai pengajuan buta ke konferensi ICLR 2019. GNN belajar representasi graf dengan mengumpulkan dan mengubah vektor representasi dari node tetangga secara berulang, dan pada saat makalah tersebut diterbitkan, banyak varian GNN yang ada tetapi batasan representasional mereka tidak dipahami dengan baik.
Baca Selengkapnya
Makalah ini membangun kerangka teoretis untuk mengukur seberapa baik varian GNN tertentu dapat membedakan struktur graf yang berbeda. Ini menunjukkan bahwa varian populer seperti Jaringan Konvolusi Graf dan GraphSAGE tidak dapat membedakan struktur graf sederhana tertentu satu sama lain. Dari analisis tersebut, penulis menghasilkan GIN: sebuah arsitektur yang mereka buktikan adalah yang paling ekspresif di antara GNN yang menggunakan pengiriman pesan, mencocokkan kekuatan diskriminatif dari tes isomorfisme graf Weisfeiler-Lehman, sebuah algoritma klasik untuk menentukan apakah dua graf secara struktural identik.
Makalah ini memvalidasi GIN secara empiris pada serangkaian tolok ukur klasifikasi graf dan melaporkan hasil yang terbaik pada saat publikasi. Kata kunci yang terdaftar adalah jaringan saraf graf, teori, pembelajaran mendalam, kekuatan representasional, isomorfisme graf, dan multisets mendalam, mencerminkan kontribusi teoretis, kerangka ekspresif, dan model yang dihasilkan.
Ini adalah arsitektur penelitian yang diterbitkan daripada produk yang dihosting atau layanan berbayar; tidak ada vendor yang menjual akses ke dalamnya, dan biasanya digunakan melalui implementasi sumber terbuka dalam perpustakaan pembelajaran graf umum daripada melalui halaman makalah itu sendiri.
GIN ditujukan untuk peneliti dan praktisi yang membangun atau mengevaluasi jaringan saraf graf, terutama untuk klasifikasi graf, daripada untuk pengguna akhir. Sebagai arsitektur spesifik dari penelitian 2018-2019, ini adalah satu titik dalam bidang yang bergerak cepat; pekerjaan selanjutnya telah mengusulkan varian GNN lebih lanjut dan hasil ekspresif yang membangun atau memperluasnya, sehingga harus dibaca sebagai referensi dasar daripada keadaan seni saat ini.
- KategoriAlat AI Lainnya
- Model HargaOpen source
- PenerapanDi-host sendiri
- PlatformWeb
Sorotan Jaringan Isomorfisme Graf
Terbukti sebagai arsitektur paling ekspresif di antara jaringan saraf graf yang menggunakan pengiriman pesan
Mencocokkan kekuatan diskriminatif dari tes isomorfisme graf Weisfeiler-Lehman
Dibangun di atas kerangka teoretis yang menganalisis struktur graf mana yang dapat atau tidak dapat dibedakan oleh varian GNN
Divalidasi secara empiris pada beberapa tolok ukur klasifikasi graf
Secara langsung membandingkan ekspresifitasnya dengan Jaringan Konvolusi Graf dan GraphSAGE
Diperkenalkan bersamaan dengan bukti formal yang didasarkan pada teori multisets mendalam
Memulai dengan Jaringan Isomorfisme Graf
Baca abstrak: Tinjau kerangka teoretis makalah tentang ekspresifitas GNN di halaman forum OpenReview-nya
Baca makalah lengkap: Ikuti daftar OpenReview ke PDF untuk derivasi dan bukti lengkap
Tinjau tolok ukur: Periksa eksperimen klasifikasi graf yang dilaporkan oleh penulis
Temukan implementasi: Cari GIN di perpustakaan pembelajaran graf sumber terbuka yang umum untuk menerapkan arsitektur secara langsung
Kasus Penggunaan Jaringan Isomorfisme Graf
- Penelitian klasifikasi graf
- Analisis ekspresifitas GNN
- Mengajarkan teori GNN
