图神经网络(GNNs)已被证明是有效的模型,用于对图结构数据的不同预测任务。最近关于它们表达能力的工作集中在同构任务和可数特征空间。我们对这个理论框架进行了扩展,使其包含连续的特性——在真实世界的输入域和gnn的隐藏层中定期出现——并演示了在此上下文中对多个聚合函数的需求。为此,我们提出了一种新的聚合器结构——主邻域聚合(PNA),它将多个聚合器与度标器相结合,从而推广了总和聚合器。最后,我们通过一个新的基准来比较不同模型捕获和利用图结构的能力,该基准包含了来自经典图理论的多个任务,以及来自现实领域的现有基准,所有这些都证明了我们模型的强大。通过这项工作,我们希望引导一些GNN研究转向新的聚合方法,我们认为这对于寻找强大和健壮的模型至关重要。

https://www.zhuanzhi.ai/paper/bee47b175252858310e291d163fae01c

成为VIP会员查看完整内容
32

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【NeurIPS2020 】 数据扩充的图对比学习
专知会员服务
48+阅读 · 2020年11月9日
【NeurIPS2020】可靠图神经网络鲁棒聚合
专知会员服务
19+阅读 · 2020年11月6日
专知会员服务
32+阅读 · 2020年10月2日
专知会员服务
28+阅读 · 2020年10月2日
【NeurIPS2020-MIT】子图神经网络,Subgraph Neural Networks
专知会员服务
45+阅读 · 2020年9月28日
【NeurIPS2020】点针图网络,Pointer Graph Networks
专知会员服务
39+阅读 · 2020年9月27日
已删除
创业邦杂志
5+阅读 · 2019年3月27日
Arxiv
38+阅读 · 2020年3月10日
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Arxiv
14+阅读 · 2019年9月11日
Signed Graph Attention Networks
Arxiv
7+阅读 · 2019年9月5日
Arxiv
3+阅读 · 2019年8月19日
VIP会员
相关VIP内容
【NeurIPS2020 】 数据扩充的图对比学习
专知会员服务
48+阅读 · 2020年11月9日
【NeurIPS2020】可靠图神经网络鲁棒聚合
专知会员服务
19+阅读 · 2020年11月6日
专知会员服务
32+阅读 · 2020年10月2日
专知会员服务
28+阅读 · 2020年10月2日
【NeurIPS2020-MIT】子图神经网络,Subgraph Neural Networks
专知会员服务
45+阅读 · 2020年9月28日
【NeurIPS2020】点针图网络,Pointer Graph Networks
专知会员服务
39+阅读 · 2020年9月27日
相关资讯
已删除
创业邦杂志
5+阅读 · 2019年3月27日
微信扫码咨询专知VIP会员