【麻省理工学院MIT】图神经网络的泛化与表示极限,Generalization Representation limit GNN

2020 年 2 月 24 日 专知

我们讨论了图神经网络的两个基本问题。首先,我们证明了几个重要的图属性不能由完全依赖于局部信息的GNNs来计算。这些gnn包括标准的消息传递模型,以及更强大的空间变体,它们利用局部图结构(例如,通过消息的相对方向或本地端口排序)来区分每个节点的邻居。我们的研究包括一种新的图论形式。其次,我们为消息传递GNNs提供了第一个数据相关泛化界限。该分析明确地解释了GNNs的局部排列不变性。我们的界限比现有的基于vc维的GNNs保证要严格得多,并且可与递归神经网络的Rademacher界限相媲美。


地址:

https://arxiv.xilesou.top/abs/2002.06157


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“GNNL” 就可以获取图神经网络的泛化与表示极限》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
3

相关内容

【MIT-ICML2020】图神经网络的泛化与表示的局限
专知会员服务
41+阅读 · 2020年6月23日
【图神经网络(GNN)结构化数据分析】
专知会员服务
112+阅读 · 2020年3月22日
麻省理工学院MIT-ICLR2020《神经网络能推断出什么?》
专知会员服务
50+阅读 · 2020年2月19日
八篇NeurIPS 2019【图神经网络(GNN)】相关论文
专知会员服务
43+阅读 · 2020年1月10日
【CVPR2019教程】视频理解中的图表示学习
专知
43+阅读 · 2019年6月20日
Arxiv
33+阅读 · 2020年1月2日
Arxiv
23+阅读 · 2018年10月1日
Arxiv
11+阅读 · 2018年1月28日
VIP会员
Top
微信扫码咨询专知VIP会员