Kürzeste Pfad Netzwerke zur Vorhersage von Graph-Eigenschaften

Die meisten Modelle von graphischen neuronalen Netzwerken basieren auf einem bestimmten Paradigma des Nachrichtenaustauschs, bei dem die Idee besteht, die Knotenrepräsentationen eines Graphen iterativ an jeden Knoten in der direkten Nachbarschaft zu propagieren. Obwohl sehr bekannt, führt dieses Paradigma zu Engpässen bei der Informationsverbreitung, da Informationen wiederholt in Zwischenknotenrepräsentationen komprimiert werden, was zu Informationsverlust führt und es praktisch unmöglich macht, sinnvolle Signale von entfernten Knoten zu sammeln. Um dies zu adressieren, schlagen wir kürzeste Pfad Nachrichtenaustausch neuronale Netzwerke vor, bei denen die Knotenrepräsentationen eines Graphen an jeden Knoten in den kürzesten Pfad Nachbarschaften propagiert werden. In diesem Kontext können Knoten direkt miteinander kommunizieren, auch wenn sie keine Nachbarn sind, was den Informationsengpass durchbricht und folglich zu besser gelernten Repräsentationen führt. Unser Rahmenwerk generalisiert die Nachrichtenaustausch neuronalen Netzwerke und resultiert in einer Klasse von ausdrucksstärkeren Modellen, einschließlich einiger neuerer Modelle auf dem neuesten Stand der Technik. Wir überprüfen die Kapazität eines Basismodells dieses Rahmens in speziellen synthetischen Experimenten sowie in realen Benchmark-Tests zur Klassifizierung und Regression von Graphen und erzielen Ergebnisse auf dem neuesten Stand der Technik.