MLGIB: Bottiglia Informativa per Grafi Multi-etichetta per GNN Robusti
Per affrontare il problema dell'over-squashing nelle Reti Neurali a Grafi (GNN) per grafi multi-etichetta, i ricercatori hanno introdotto il Multi-Label Graph Information Bottleneck (MLGIB). L'over-squashing si verifica quando le informazioni provenienti da vicinanze in rapida espansione vengono condensate in formati a dimensione fissa. Nei grafi multi-etichetta, i nodi adiacenti spesso condividono poche etichette, mentre differiscono per molte etichette irrilevanti, indebolendo i segnali predittivi. MLGIB affronta il passaggio di messaggi multi-etichetta come un trasferimento di informazioni vincolato in mezzo a rumore di etichette irrilevanti, bilanciando espressività e robustezza mantenendo i segnali predittivi e minimizzando il rumore. Stabilisce uno spazio di dipendenza markoviano e formula limiti variazionali gestibili: il limite inferiore migliora l'informazione mutua con le etichette target, mentre il limite superiore riduce le informazioni irrilevanti. Questa ricerca è disponibile su arXiv (2605.13126).
Fatti principali
- MLGIB affronta l'over-squashing nelle GNN per grafi multi-etichetta.
- L'over-squashing comprime le informazioni da vicinanze in crescita in dimensioni fisse.
- I grafi multi-etichetta hanno nodi vicini che condividono poche etichette e molte irrilevanti.
- MLGIB preserva i segnali predittivi delle etichette e sopprime il rumore irrilevante.
- Utilizza uno spazio di dipendenza markoviano e limiti variazionali.
- Il limite inferiore massimizza l'informazione mutua con le etichette target.
- Il limite superiore minimizza le informazioni irrilevanti.
- Pubblicato su arXiv con ID 2605.13126.
Entità
Istituzioni
- arXiv