Graph Star Net für verallgemeinertes Multi-Task-Lernen

In dieser Arbeit stellen wir Graph Star Net (GraphStar) vor, eine neuartige und einheitliche Architektur für Graph-Neuronale Netze, die durch die Nutzung von Nachrichtenübertragungsrelais und Aufmerksamkeitsmechanismen für mehrere Vorhersageaufgaben – Knotenklassifizierung, Graphklassifizierung und Linkvorhersage – ausgezeichnet ist. GraphStar begegnet vielen früheren Herausforderungen im Bereich der Graph-Neuronalen Netze und erreicht nicht-lokale Darstellungen ohne die Modelltiefe zu erhöhen oder hohe Rechenkosten zu verursachen. Wir schlagen außerdem eine neue Methode zur themenspezifischen Stimmungsanalyse vor, die auf Knotenklassifizierung und Textklassifizierung als Graphklassifizierung basiert. Unsere Arbeit zeigt, dass "Sternknoten" effektive Darstellungen von Graphendaten lernen können und die aktuellen Methoden für die drei Aufgaben verbessern. Insbesondere bei der Graphklassifizierung und Linkvorhersage übertrifft GraphStar die derzeit besten Modelle um 2-5 % in mehreren wichtigen Benchmarks.