文章预览
概率性重新连接消息传递 神经网络 摘要 消息传递图神经网络(MPNN)成为处理图结构输入的强大工具。然而,它们在固定的输入图结构上运行,忽 略潜在的噪声和丢失的信息.此外,它们的本地聚合机制可能会导致过度压缩和捕获相关图结构的表达能力有限等问题.针对这些挑战的现有解决方案主要依赖于启发式方法,通常忽略底层数据分布.因此,设计用于学习推断与给定预测任务相关的图结构的原则方法仍然是一个开放的挑战。在这项工作中,利用精确和可微的 k子集采样方面的最新进展,我们设计了概率重新连接的MPNN(PR‑MPNN),它学习添加相关边缘,同时省略不太有益的边缘。我们的理论分析首次探讨了 PR‑MPNN 如何增强表达能力,并且我们确定了它们优于纯随机方法的精确条件。根据经验,我们证明我们的方法有效地缓解了过度挤压和伸手不足等问
………………………………