Lernen, wie man Nachrichten in Graph-Neuronalen Netzwerken propagiert

Dieses Papier untersucht das Problem des Lernens von Strategien zur Nachrichtenpropagation für Graph-Neuronale Netzwerke (GNNs). Eine der Herausforderungen für Graph-Neuronale Netzwerke besteht darin, die Propagationsstrategie festzulegen. Zum Beispiel sind die Wahlmöglichkeiten für Propagationsschritte oft auf einen einzelnen Graphen spezialisiert und nicht auf verschiedene Knoten personalisiert. Um dies auszugleichen, präsentieren wir in diesem Papier das Lernen der Propagation, einen allgemeinen Lernrahmen, der nicht nur die GNN-Parameter für die Vorhersage lernt, sondern wichtiger noch, die interpretierbaren und personalisierten Propagationsstrategien für verschiedene Knoten und verschiedene Arten von Graphen explizit erlernen kann. Wir führen die optimalen Propagationsschritte als latente Variablen ein, um die Maximum-Likelihood-Schätzung der GNN-Parameter in einem variationalen Erwartungs-Maximierungs (VEM)-Rahmen zu unterstützen. Umfangreiche Experimente an verschiedenen Typen von Graph-Benchmarks zeigen, dass unser vorgeschlagener Rahmen im Vergleich zu den aktuellen Methoden signifikant bessere Leistungen erzielen kann und effektives Lernen der personalisierten und interpretierbaren Propagationsstrategien von Nachrichten in GNNs ermöglicht.