ترجمه فارسی مقاله طبقه بندی نمودار با GNN ها: بهینه سازی، نمایش و سوگیری استقرایی

چکیده

Theoretical studies on the representation power of GNNs have been centered around understanding the equivalence of GNNs, using WL-Tests for detecting graph isomorphism. In this paper, we argue that such equivalence ignores the accompanying optimization issues and does not provide a holistic view of the GNN learning process. We illustrate these gaps between representation and optimization with examples and experiments. We also explore the existence of an implicit inductive bias (e.g. fully connected networks prefer to learn low frequency functions in their input space) in GNNs, in the context of graph classification tasks. We further prove theoretically that the message-passing layers in the graph, have a tendency to search for either discriminative subgraphs, or a collection of discriminative nodes dispersed across the graph, depending on the different global pooling layers used. We empirically verify this bias through experiments over real-world and synthetic datasets. Finally, we show how our work can help in incorporating domain knowledge via attention based architectures, and can evince their capability to discriminate coherent subgraphs.

چکیده به فارسی (ترجمه ماشینی)

مطالعات نظری در مورد قدرت بازنمایی GNN ها در درک معادل GNN ها ، با استفاده از آزمونهای WL برای تشخیص ایزومورفیسم نمودار متمرکز شده است.در این مقاله ، ما استدلال می کنیم که چنین هم ارزی مسائل بهینه سازی همراه را نادیده می گیرد و دیدگاه جامع از روند یادگیری GNN ارائه نمی دهد.ما این شکاف ها را بین نمایندگی و بهینه سازی با مثال و آزمایش نشان می دهیم.ما همچنین وجود یک تعصب القایی ضمنی (به عنوان مثال شبکه های کاملاً متصل ، ترجیح می دهند عملکردهای فرکانس پایین را در فضای ورودی خود بیاموزند) در GNN ها ، در زمینه کارهای طبقه بندی نمودار.ما از لحاظ نظری نیز ثابت می کنیم که لایه های عبور پیام در نمودار ، تمایل به جستجوی زیرگراف های تبعیض آمیز یا مجموعه ای از گره های تبعیض آمیز پراکنده در نمودار ، بسته به لایه های مختلف استخر جهانی استفاده شده است.ما به صورت تجربی این تعصب را از طریق آزمایشات در مورد مجموعه داده های دنیای واقعی و مصنوعی تأیید می کنیم.سرانجام ، ما نشان می دهیم كه چگونه كار ما می تواند در ترکیب دانش دامنه از طریق معماری های مبتنی بر توجه كمك كند و می تواند توانایی آنها در تبعیض زیرگرافهای منسجم را برانگیزد.