グラフニューラルネットワークのための位置符号化による再配線【JST・京大機械翻訳】

Brueel-Gabrielsson Rickard; Yurochkin Mikhail; Solomon Justin

プレプリント

J-GLOBAL ID：202202207084218470 整理番号：22P0281834

グラフニューラルネットワークのための位置符号化による再配線【JST・京大機械翻訳】

Rewiring with Positional Encodings for Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月29日プレプリントサーバーでの情報更新日： 2023年12月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

いくつかの最近の研究は,注意機構を備えたグラフニューラルネットワーク(GNN)層の受容野を拡張するために位置符号化を使用する。しかし,これらの技法は,従来のGNNの帰納的バイアスの変化,あるいは複雑なアーキテクチャ調整を必要とする,かなりの計算コストで,完全なグラフに受容野を拡張する。保存的代替として,著者らは,位置符号化を用いて,受容野をrホップ近傍に拡大した。より具体的には,著者らの方法は付加的ノード/エッジを有する入力グラフを強化し,ノードおよび/またはエッジ特徴として位置符号化を使用する。従って,モデル自体を修正する代わりに,それらを下流GNNモデルに入力する前にグラフを修正した。これは,著者らの方法モデル診断,すなわち既存のGNNアーキテクチャと互換性がある。また,オリジナルと修正グラフの間の1対1マップで無損失である位置符号化の例も提供した。位置符号化と仮想完全接続ノードによる受容野の拡大は,GNN性能を著しく改善し,小さなrを用いてオーバースクッシングを緩和することを示した。著者らは,様々なモデルおよびデータセットの改善を得て,従来のGNNまたはグラフ変換器を用いて競合性能を達成した。【JST・京大機械翻訳】

, , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 分子・遺伝情報処理

前のページに戻る