Key points are not available for this paper at this time.
As redes neurais em grafos (GNNs) mostraram um sucesso notável em aprender representações para dados estruturados em grafos. No entanto, as GNNs ainda enfrentam desafios na modelagem de fenômenos complexos que envolvem o transporte de características. Neste artigo, propomos uma nova arquitetura de GNN inspirada em sistemas de Advecção-Difusão-Reação, chamada ADR-GNN. A advecção modela o transporte de características, enquanto a difusão captura o suavização local de características, e a reação representa a transformação não-linear entre os canais de características. Fornecemos uma análise do comportamento qualitativo do ADR-GNN, que mostra o benefício de combinar advecção, difusão e reação. Para demonstrar sua eficácia, avaliamos o ADR-GNN em classificações de nós do mundo real e conjuntos de dados espaço-temporais, mostrando que melhora ou oferece desempenho competitivo em comparação com redes de última geração.
Eliasof et al. (Sun,) estudaram esta questão.