【阿姆斯特丹博士论文】图神经网络的归纳偏差

文章预览

https://hdl.handle.net/11245.1/c14b7d6a-136c-4e15-af82-d3ad7330add2 图结构表示是一种强大的归纳偏差，适用于自然界中广泛的系统，从分子系统中的原子相互作用到复杂的人类互动（如社交网络）。图神经网络（GNNs）的成功部分归因于其在捕捉这些复杂相互作用方面的广泛适用性。本论文旨在通过引入额外的基于物理的归纳偏差来扩展GNNs的能力。 论文首先通过结合传统的图形推理方法来丰富GNN架构，构建混合模型。这些模型利用传统图形模型中固有的先验知识以及数据驱动学习中的自适应推理。当单独运行时，所得到的算法优于各自的单一方法。 接下来，我们通过创建E(n)等变图神经网络（EGNNs），将归纳偏差作为对称性约束实施到模型中。通过引入欧几里得对称性，EGNNs比标准GNNs在n维欧几里得空间中的数据上具有更好的泛化能力，这一特性在分子数据中尤为 ………………………………