Описание
Сеть изоморфизма графов (GIN) — это архитектура графовой нейронной сети (GNN), предложенная в статье "Насколько мощны графовые нейронные сети?", написанной Keyulu Xu, Weihua Hu, Jure Leskovec и Stefanie Jegelka, представленная как анонимная подача на конференцию ICLR 2019. GNN обучаются представлениям графов, многократно агрегируя и преобразуя векторы представлений соседних узлов, и на момент появления статьи существовало множество вариантов GNN, но их предельные возможности не были хорошо поняты.
Читать далее
Статья строит теоретическую основу для измерения того, насколько хорошо данный вариант GNN может различать различные структуры графов. Она показывает, что популярные варианты, такие как графовые свёрточные сети и GraphSAGE, не могут различать определённые простые структуры графов. Из этого анализа авторы выводят GIN: архитектуру, которая, как они доказывают, является наиболее выразительной среди GNN с передачей сообщений, соответствующей дискриминационной мощности теста изоморфизма графов Вейсфайлера-Лемана, классического алгоритма для определения, являются ли два графа структурно идентичными.
Статья эмпирически валидирует GIN на наборе бенчмарков для классификации графов и сообщает о результатах на уровне передовых технологий на момент публикации. В её ключевых словах указаны графовые нейронные сети, теория, глубокое обучение, представительная мощность, изоморфизм графов и глубокие мультимножества, что отражает как теоретический вклад, так и рамки выразительности, а также полученную модель.
Это опубликованная исследовательская архитектура, а не хостируемый продукт или платная услуга; ни один поставщик не продаёт доступ к ней, и она обычно используется через реализации с открытым исходным кодом в библиотеках общего назначения для обучения графам, а не через собственную страницу статьи.
GIN ориентирована на исследователей и практиков, создающих или оценивающих графовые нейронные сети, особенно для классификации графов, а не на конечных пользователей. Как конкретная архитектура из исследований 2018-2019 годов, она является одной из точек в быстро развивающейся области; более поздние работы предложили дополнительные варианты GNN и результаты выразительности, которые основываются на ней или расширяют её, поэтому её следует рассматривать как основополагающую ссылку, а не как текущее состояние искусства.
- КатегорияДругие ИИ-инструменты
- Модель ценообразованияОткрытый код
- РазвёртываниеНа своём сервере
- ПлатформыВеб
Главное о Сеть изоморфизма графов
Доказано, что это наиболее выразительная архитектура среди графовых нейронных сетей с передачей сообщений
Соответствует дискриминационной мощности теста изоморфизма графов Вейсфайлера-Лемана
Построена на теоретической основе, анализирующей, какие структуры графов вариант GNN может или не может различать
Эмпирически валидирована на нескольких бенчмарках для классификации графов
Непосредственно сравнивает свою выразительность с графовыми свёрточными сетями и GraphSAGE
Представлена вместе с формальным доказательством, основанным на теории глубоких мультимножеств
Начало работы с Сеть изоморфизма графов
Прочитайте аннотацию: Ознакомьтесь с теоретической рамкой выразительности GNN на странице форума OpenReview статьи
Прочитайте полную статью: Перейдите по списку OpenReview к PDF для полного вывода и доказательств
Просмотрите бенчмарки: Ознакомьтесь с экспериментами по классификации графов, о которых сообщают авторы
Найдите реализацию: Ищите GIN в общих библиотеках с открытым исходным кодом для обучения графам, чтобы применить архитектуру напрямую
Варианты использования Сеть изоморфизма графов
- Исследование классификации графов
- Анализ выразительности GNN
- Преподавание теории GNN
