【剑桥大学】图网络的主邻域聚合，Principal Neighbourhood Aggregation for Graph Nets

主题： Principal Neighbourhood Aggregation for Graph Nets

摘要： 图神经网络（GNN）已被证明是针对图结构数据的不同预测任务的有效模型。 关于它们表现力的最新工作集中在同构任务和可数特征空间上。 我们扩展了该理论框架，使其包含连续的功能（在现实世界的输入域中以及在GNN的隐藏层中定期发生），并说明了在这种情况下对多个聚合函数的需求。 将多个聚合器与度标度器结合在一起（可以对总和聚合器进行概括）。 最后，我们通过基准测试比较了不同模型捕获和利用图形结构的能力，该基准包含了经典图形理论中的多个任务，这证明了我们模型的能力。