[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks?

Created by
  • Haebom

作者

Srinitish Srinivasan, Omkumar CU

概要

Lorentzian Graph Isomorphic Network (LGIN) は、階層データに有望な hyperbolic GNN の Limitations である限られた判別力を解決するために提案された新しい HGNN です。従来のハイパーボリックGNNの非単社集計による低表現力を改善するために,Lorentzianメトリックを保存しながら,豊富な構造情報を効果的に捕捉する新しい更新規則を導入した。 9つのベンチマークデータセットの広範な評価により、最先端のハイパーボリックモデルとユークリッド基準モデルを凌駕したり、同等の性能を示し、複雑なグラフ構造をキャプチャすることができました。 LGINは、強力で高度に判別されたGNNアーキテクチャの原理をRiemannian manifoldに適用した最初のモデルです。

Takeaways、Limitations

•
Takeaways:
◦
Riemannianマニフォールドでは、より表現力のあるGNNの開発の可能性を提示します。
◦
既存の Hyperbolic GNN の判別力の限界を克服する新しい更新規則を提示します。
◦
さまざまなベンチマークデータセットで最先端のパフォーマンスを達成し、モデルの効果を検証します。
◦
強力なGNNアーキテクチャをRiemannianマニホールドに適用する新しい方法を提示します。
•
Limitations:
◦
論文で具体的なLimitationsは言及されていない。追加の分析と実験によってLimitationsを明らかにする必要があります。
👍
Made with Slashpage