Nuovo framework scalabile per l'apprendimento di grafi di ordine superiore
Un team di ricercatori ha lanciato nuove versioni semplificate dei test di Weisfeiler-Lehman cellulari, note come sCWL e fCWL, che aumentano l'efficienza senza sacrificare la capacità di analizzare grafi complessi. Hanno introdotto il complesso di cliche massimali per consentire reti di Weisfeiler-Lehman cellulari (CWN) scalabili, che riducono drasticamente il tempo e l'uso della memoria. Per evitare il noioso compito di elencare tutte le cliche, hanno creato CliqueWalk, un metodo di cammino casuale che campiona efficientemente le cliche massimali e funziona bene con grafi più grandi. Questo approccio innovativo affronta i problemi di scalabilità spesso riscontrati nei modelli di ordine superiore basati su complessi cellulari, che sono più espressivi delle tradizionali reti neurali per grafi (GNN).
Fatti principali
- 1. Vengono introdotti i test di Weisfeiler-Lehman cellulari semplificati e fattorizzati (sCWL e fCWL).
- 2. sCWL e fCWL preservano l'espressività del test CWL migliorando l'efficienza computazionale.
- 3. Il complesso di cliche massimali consente CWN scalabili con complessità di tempo e memoria ridotta.
- 4. CliqueWalk è un cammino casuale distorto che campiona cliche massimali.
- 5. CliqueWalk scala linearmente con la dimensione del grafo.
- 6. Le GNN sono limitate a modellare interazioni a coppie.
- 7. I modelli di ordine superiore basati su complessi cellulari raggiungono una maggiore espressività ma soffrono di scarsa scalabilità.
- 8. Il framework è per l'apprendimento di rappresentazioni di grafi di ordine superiore.
Entità
Istituzioni
- arXiv