- Обзор классификации графов и прогнозирования ссылок на основе GNN (arXiv)
Автор: Синъюй Лю, Хуан Чен, Цюань Вэнь.
Аннотация: Традиционные сверточные нейронные сети ограничены обработкой данных евклидова пространства, упуская из виду обширную область сценариев реальной жизни, представленных в виде графических данных, включая транспортные сети, социальные сети и справочные сети. Ключевым шагом в переводе сверточных нейронных сетей на анализ и обработку графовых данных является построение графовых сверточных операторов и операторов объединения графов. Эта всеобъемлющая обзорная статья посвящена миру графовых сверточных нейронных сетей. Во-первых, он подробно описывает основы сверточных нейронных сетей графов. Впоследствии он разъясняет модели нейронной сети графа, основанные на механизмах внимания и автокодировщиках, резюмируя их применение в классификации узлов, классификации графов и прогнозировании ссылок вместе с соответствующими наборами данных.
2.Graphtester: изучение теоретических границ GNN в наборах графических данных (arXiv)
Автор: Эрен Акбийик, Флориан Грёчла, Бени Эгресси, Роджер Ваттенхофер.
Аннотация: графовые нейронные сети (GNN) стали мощным инструментом для обучения на графоструктурированных данных. Однако даже у самых современных архитектур есть ограничения на то, какие структуры они могут различать, что накладывает теоретические ограничения на то, чего сети могут достичь в разных наборах данных. В этой статье мы предоставляем новый инструмент под названием Graphtester для всестороннего анализа теоретических возможностей GNN для различных наборов данных, задач и оценок. Мы используем Graphtester для анализа более 40 различных наборов графических данных, определяя верхнюю границу производительности различных GNN на основе количества слоев. Кроме того, мы показываем, что этот инструмент также можно использовать для преобразователей графов с использованием позиционных кодировок узлов, тем самым расширяя область его применения. Наконец, мы демонстрируем, что функции, сгенерированные Graphtester, можно использовать для практических приложений, таких как Graph Transformers, и предоставляем синтетический набор данных для тестирования функций узлов и ребер, таких как позиционное кодирование. Пакет находится в свободном доступе по следующему адресу: https://github.com/meakbiyik/graphtester.
