غير محددة في المصدر 2026 بحاجة إلى مراجعة

Extending Graph Neural Networks with Global Features

الملخص

Wir untersuchen die Verwendung globaler Graphmerkmale, um die Ausdruckskraft und die Vorhersageleistung von graph neural networks (GNNs) zu verbessern. Während Message Passing Neural Networks (MPNNs) ein gängiger Ansatz für das Lernen von Graphrepräsentationen sind, sind sie in ihrer Ausdruckskraft beschränkt. Diese Einschränkung beeinträchtigt die Universalität von MPNNs und folglich die Arten von Grapheneigenschaften, die sie darstellen können.Um diese Herausforderungen anzugehen, schlagen wir vor, expressive globale Graphmerkmale in eine Basis-GNN-Architektur zu integrieren. Im Gegensatz zu herkömmlichen Ansätzen, die die Vorhersageleistung entweder durch Änderungen im Message Passing oder durch Modifikation der Graphen (z. B. Hinzufügen zusätzlicher Knotenmerkmale) verbessern, konzentriert sich unsere Methode auf globale Graphmerkmale, die die gesamte Graphstruktur beschreiben. Diese globalen Merkmale, die in Bereichen wie der Chemoinformatik gut etabliert, jedoch in der GNN Literatur oft übersehen sind, können verwendet werden, um wichtige Aspekte des Graphen zu erfassen, die von MPNNs nicht ausgedrückt werden können, wie etwa den Graphendurchmesser oder den längsten Zyklus.Wir ergänzen die von GNNs gelernten Embeddings mit ausgewählten globalen Graphmerkmalen und deren Einfluss auf die Ausdruckskraft und Modellleistung. Wir zeigen, dass 19 der 23 untersuchten globalen Merkmale, wie der Wiener- oder der Hosoya-Index, nachweislich die Ausdruckskraft von MPNNs erhöhen. Unsere empirischen Studien belegen, dass die Integration globaler Graphmerkmale die Vorhersagekraft von GNNs bei molekularen Benchmark-Datensätzen verbessern kann, was auf eine vielversprechende Richtung zur Steigerung der Effektivität von GNN-basierten Modellen hinweist.

الكلمات المفتاحية

غير متوفر

التخصصات

رسائل وأطاريح مشابهة