Ensemble-Lernen für Graph Neural Networks

Graph Neural Networks (GNNs) haben sich in verschiedenen Bereichen als erfolgreich bei der Analyse graphenstrukturierter Daten erwiesen. In diesem Artikel wird die Anwendung von Ensembles-Verfahren untersucht, um die Leistungsfähigkeit und Robustheit von Graph Neural Networks (GNNs) zu verbessern. Durch die Ausbildung mehrerer GNN-Modelle mit unterschiedlichen Initialisierungen oder Architekturen wird ein Ensemble-Modell namens ELGNN erstellt, das verschiedene Aspekte der Daten erfasst und den Tree-Structured Parzen Estimator (TPE)-Algorithmus nutzt, um die Ensemble-Gewichte zu bestimmen. Die Kombination der Vorhersagen dieser Modelle erhöht die Gesamtgenauigkeit, verringert Verzerrung und Varianz und mindert die Auswirkungen von verrauschten Daten. Unsere Ergebnisse belegen die Wirksamkeit von Ensembles-Verfahren zur Verbesserung der Fähigkeiten von GNNs bei der Analyse komplexer graphenstrukturierter Daten. Der Quellcode ist öffentlich unter https://github.com/wongzhenhao/ELGNN verfügbar.