新型GNN架构mHC-GNN解决了过平滑和表达能力限制问题

研究人员开发了一种名为mHC-GNN的新型图神经网络（GNN）架构，该架构解决了深度GNN中常见的过平滑和表达能力有限的问题。通过借鉴Transformer的流形约束超连接，mHC-GNN将节点表示扩展到多个流，并使用双重随机矩阵来约束流混合。这种方法通过确保节点对差异的衰减速度远慢于标准GNN，从而从理论上缓解了过平滑问题。实验表明，mHC-GNN即使在极端深度（128层）下也能保持高精度，其性能显著优于超过16层后性能下降的传统GNN。 AI

影响 这项研究有望实现更深、更具表现力的图神经网络，从而可能提高社交网络分析和分子建模等领域的性能。

排序理由 该集群包含一篇详细介绍图神经网络新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Birkhoff polytope
• Graph Neural Networks
• mHC-GNN
• Sinkhorn-Knopp normalization
• Subhankar Mishra
• Transformers

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →