Gated Graph Sequence Neuronale Netze

Graphenstrukturierte Daten treten häufig in Bereichen wie Chemie, natürliche Sprachsemantik, soziale Netzwerke und Wissensbasen auf. In dieser Arbeit untersuchen wir Techniken des Merkmalslernens für graphenstrukturierte Eingaben. Unser Ausgangspunkt ist die frühere Arbeit über Graph Neural Networks (GNNs) (Scarselli et al., 2009), die wir modifizieren, um Gated Recurrent Units (GRUs) und moderne Optimierungstechniken zu verwenden, und dann erweitern, um Sequenzausgaben zu generieren. Das Ergebnis ist eine flexible und vielseitig nutzbare Klasse von neuronalen Netzmodellen, die im Vergleich zu rein sequenzbasierten Modellen (wie z.B. LSTMs) günstige induktive Verzerrungen aufweist, wenn das Problem graphenstrukturiert ist. Wir demonstrieren die Fähigkeiten an einigen einfachen KI-Aufgaben (bAbI) und Aufgaben des Lernens von Graphalgorithmen. Anschließend zeigen wir, dass es bei einem Problem aus dem Bereich der Programmverifikation, bei dem Untergraphen mit abstrakten Datenstrukturen abgeglichen werden müssen, den aktuellen Stand der Forschung erreicht.