May, 2024
将哈密顿结构偏好注入深度图网络以实现长程传播
Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation
Simon Heilig, Alessio Gravina, Alessandro Trenta, Claudio Gallicchio, Davide Bacciu
TL;DR动态信息扩散在图内是一个影响图表示学习的重要课题，特别是在考虑长程传播时。为此，我们引入了（端口）哈密顿深度图网络，这是一个基于哈密顿动力系统守恒定律的新框架，通过在图中建模神经信息流来控制和调节信息的传播和衰减程度。我们将非耗散的长程传播和非守恒行为统一在一个理论和实践框架下，并引入了机械系统的工具来衡量两个组成部分之间的平衡。我们的方法可以应用于一般的消息传递体系结构，并在时间上提供了信息保守性的理论保证。实证结果证明了我们的端口哈密顿方案在长程基准测试中将简单的图卷积架构推至最先进水平的效果。