GREAD: Graph Neural Reaction-Diffusion Networks

Graph Neural Networks (GNNs) zählen zu den beliebtesten Forschungsthemen im Bereich des Deep Learning. GNN-Methoden wurden typischerweise auf der Grundlage der Theorie des Graph Signal Processing entwickelt. Insbesondere werden Diffusionsgleichungen häufig für die Gestaltung der zentralen Verarbeitungsschicht von GNNs verwendet, wodurch sie zwangsläufig anfällig für das bekannte Problem der Überglättung (oversmoothing) sind. In jüngster Zeit haben mehrere Arbeiten Reaktionsgleichungen in Verbindung mit Diffusionsgleichungen betrachtet. Allerdings berücksichtigen sie alle nur eingeschränkte Formen von Reaktionsgleichungen. Um dies zu adressieren, präsentieren wir eine auf Reaktions-Diffusions-Gleichungen basierende GNN-Methode, die neben allen gängigen Typen von Reaktionsgleichungen auch eine von uns speziell entworfene Reaktionsgleichung einbezieht. Sofern wir informiert sind, stellt unsere Arbeit eine der umfassendsten Untersuchungen zu auf Reaktions-Diffusions-Gleichungen basierenden GNNs dar. In unseren Experimenten mit 9 Datensätzen und 28 Baselines übertrifft unsere Methode, GREAD genannt, in der Mehrheit der Fälle die bestehenden Ansätze. Zusätzliche Experimente mit synthetischen Daten zeigen zudem, dass GREAD das Problem der Überglättung effektiv reduziert und für eine Vielzahl unterschiedlicher Homophilie-Raten gut funktioniert.