来源：专知
本文为论文介绍，建议阅读5分钟本文探索了一个新的方向，即学习一个通用的结构学习模型，可以在开放世界中推广到各种图数据集。
グラフ構造学習は、メッセージ パッシング ニューラル ネットワーク (GNN) が効率的で堅牢なノード エンベディングを生成できるように、特定のグラフ データセットに適応したグラフ構造を最適化することを目的とした確立された問題です。ただし、既存のモデルの一般的な制限は、テスト グラフがトレーニング グラフと同じであるという基本的な閉世界の仮定にあります。この前提では、グラフ データセットごとに構造学習モデルを最初から独立してトレーニングする必要があり、その結果、法外な計算コストが発生し、潜在的に重大な過学習リスクが発生します。これらの問題を軽減するために、この論文では、オープンワールドのさまざまなグラフ データセットに一般化できる一般的な構造学習モデルを学習する新しい方向性を探ります。まず、この新しい問題設定の数学的定義を紹介し、確率的データ生成の観点からモデルの構築について説明します。次に、グラフ共有構造学習器と複数のグラフ固有の GNN を調整して、データセット全体にわたる一般化可能な最適なメッセージ パッシング トポロジー パターンを捕捉する一般的なフレームワークを設計します。よく訓練された構造学習者は、微調整を行わずに、目に見えないターゲット グラフの適応構造を直接生成できます。さまざまなデータセットとさまざまな困難なクロスグラフ一般化プロトコルにわたって、私たちの実験は、ターゲット グラフでトレーニングしなくても、提案されたモデルが次のことを実証しました: i) 入力 (最適化されていない) トポロジで大幅に優れたパフォーマンスを発揮します ii) 驚くべきことに、状態と同等のパフォーマンスを発揮します。特定のターゲット グラフを個別に最適化し、桁違いに大幅に高速にターゲット グラフをトレーニングする最先端のモデル。
https://arxiv.org/abs/2306.11264
