Descrição
A Rede de Isomorfismo de Grafos (GIN) é uma arquitetura de rede neural de grafos (GNN) proposta em "Quão Poderosas são as Redes Neurais de Grafos?", um artigo de Keyulu Xu, Weihua Hu, Jure Leskovec e Stefanie Jegelka, apresentado como uma submissão cega na conferência ICLR 2019. As GNNs aprendem representações de grafos agregando e transformando repetidamente os vetores de representação dos nós vizinhos, e na época em que o artigo foi publicado, muitas variantes de GNN existiam, mas seus limites representacionais não eram bem compreendidos.
Ler mais
O artigo constrói uma estrutura teórica para medir quão bem uma determinada variante de GNN pode diferenciar diferentes estruturas de grafos. Ele mostra que variantes populares, como Redes Neurais Convolucionais de Grafos e GraphSAGE, não conseguem distinguir certas estruturas de grafos simples umas das outras. A partir dessa análise, os autores derivam a GIN: uma arquitetura que eles provam ser a mais expressiva possível entre as GNNs de passagem de mensagens, igualando o poder discriminativo do teste de isomorfismo de grafos de Weisfeiler-Lehman, um algoritmo clássico para determinar se dois grafos são estruturalmente idênticos.
O artigo valida a GIN empiricamente em um conjunto de benchmarks de classificação de grafos e relata resultados de ponta na época da publicação. As palavras-chave listadas são redes neurais de grafos, teoria, aprendizado profundo, poder representacional, isomorfismo de grafos e multisets profundos, refletindo tanto a contribuição teórica, a estrutura de expressividade e o modelo resultante.
Esta é uma arquitetura de pesquisa publicada, em vez de um produto hospedado ou serviço pago; nenhum fornecedor vende acesso a ela, e geralmente é utilizada através de implementações de código aberto em bibliotecas de aprendizado de grafos de uso geral, em vez de através da própria página do artigo.
A GIN é voltada para pesquisadores e profissionais que estão construindo ou avaliando redes neurais de grafos, particularmente para classificação de grafos, em vez de para usuários finais. Como uma arquitetura específica da pesquisa de 2018-2019, é um ponto em um campo em rápida evolução; trabalhos posteriores propuseram mais variantes de GNN e resultados de expressividade que se baseiam ou a estendem, portanto, deve ser lida como uma referência fundamental, em vez do estado atual da arte.
- CategoriaOutras ferramentas de IA
- Modelo de preçosCódigo aberto
- ImplantaçãoAuto-hospedado
- PlataformasWeb
Destaques de Rede de Isomorfismo de Grafos
Provavelmente a arquitetura mais expressiva entre redes neurais de grafos de passagem de mensagens
Iguala o poder discriminativo do teste de isomorfismo de grafos de Weisfeiler-Lehman
Baseada em uma estrutura teórica que analisa quais estruturas de grafos uma variante de GNN pode ou não distinguir
Validação empírica em múltiplos benchmarks de classificação de grafos
Compara diretamente sua expressividade com Redes Neurais Convolucionais de Grafos e GraphSAGE
Introduzida juntamente com uma prova formal fundamentada na teoria de multisets profundos
Primeiros passos com Rede de Isomorfismo de Grafos
Leia o resumo: Revise a estrutura teórica do artigo sobre a expressividade de GNN em sua página do fórum OpenReview
Leia o artigo completo: Siga a listagem do OpenReview para o PDF com a derivação e provas completas
Revise os benchmarks: Verifique os experimentos de classificação de grafos que os autores relatam
Encontre uma implementação: Procure a GIN em bibliotecas comuns de aprendizado de grafos de código aberto para aplicar a arquitetura diretamente
Casos de uso de Rede de Isomorfismo de Grafos
- Pesquisa em classificação de grafos
- Análise de expressividade de GNN
- Ensinar teoria de GNN
