Eine Neue Perspektive auf die Effekte des Spektrums in Graphen-Neuralnetzen

Viele Verbesserungen an GNNs (Graph Neural Networks) können als Operationen im Spektrum der zugrundeliegenden Graphenmatrix angesehen werden, was uns motiviert, die Eigenschaften des Spektrums und deren Auswirkungen auf die Leistung von GNNs direkt zu untersuchen. Durch die Verallgemeinerung der meisten existierenden GNN-Architekturen zeigen wir, dass das durch das $unsmooth$-Spektrum verursachte Korrelationsproblem ein Hindernis darstellt, um leistungsstärkere Graphenfilter zu nutzen sowie tiefe Architekturen zu entwickeln. Dies einschränkt letztendlich die Leistungsfähigkeit von GNNs. Angeregt durch diese Erkenntnis schlagen wir eine korrelationsofreie Architektur vor, die das Korrelationsproblem zwischen verschiedenen Kanälen natürlicherweise entfernt und es ermöglicht, komplexere Filter in jedem Kanal einzusetzen. Die endgültige korrelationsofreie Architektur mit leistungsstärkeren Filtern verbessert die Leistung des Lernens von Graphendarstellungen konsequent. Der Quellcode ist unter https://github.com/qslim/gnn-spectrum verfügbar.