我们提出了图神经扩散(GRAND),它将图的深度学习视为一个连续的扩散过程,并将图神经网络(GNN)视为一个潜在的PDE的离散化。在我们的模型中,层结构和拓扑对应于时间和空间算子的离散化选择。我们的方法允许有原则地开发一大类新的GNN,这些GNN能够解决图学习模型的常见困境,如深度、过平滑和瓶颈。我们的模型成功的关键是相对于数据摄动的稳定性,这在隐式和显式离散化方案中都得到了解决。我们开发了线性和非线性版本的GRAND,在许多标准图基准上实现了有竞争性的结果。

http://proceedings.mlr.press/v139/chamberlain21a/chamberlain21a.pdf

成为VIP会员查看完整内容
25

相关内容

专知会员服务
31+阅读 · 2021年9月7日
专知会员服务
37+阅读 · 2021年8月20日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
28+阅读 · 2021年7月19日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
40+阅读 · 2021年6月10日
专知会员服务
34+阅读 · 2021年6月3日
专知会员服务
31+阅读 · 2021年5月18日
专知会员服务
79+阅读 · 2021年5月10日
【新书册】贝叶斯神经网络,41页pdf
专知
25+阅读 · 2020年6月3日
PlaNet 简介:用于强化学习的深度规划网络
谷歌开发者
13+阅读 · 2019年3月16日
Arxiv
7+阅读 · 2021年7月5日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Universal Transformers
Arxiv
5+阅读 · 2019年3月5日
VIP会员
相关VIP内容
专知会员服务
31+阅读 · 2021年9月7日
专知会员服务
37+阅读 · 2021年8月20日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
28+阅读 · 2021年7月19日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
40+阅读 · 2021年6月10日
专知会员服务
34+阅读 · 2021年6月3日
专知会员服务
31+阅读 · 2021年5月18日
专知会员服务
79+阅读 · 2021年5月10日
相关论文
Arxiv
7+阅读 · 2021年7月5日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Universal Transformers
Arxiv
5+阅读 · 2019年3月5日
微信扫码咨询专知VIP会员