图神经网络中的过度压缩：一项全面调查
摘要：图神经网络（GNNs）已经成为机器学习领域的一种革命性范式，为解析图结构数据中的复杂关系提供了一种变革性的方法。大多数GNN的基本架构涉及通过信息聚合和转换在相互连接的节点之间传播信息，这一机制在包括节点分类、链接预测和推荐系统在内的各种应用中展示了显著的效力。然而，它们的潜在优势受到了在需要广泛背景了解的情景下的局限。在某些情境中，准确的预测不仅取决于节点的即时局部环境，还取决于跨越广泛领域的相互作用。这种对长程信息传播的复杂需求暴露了一个被称为“压缩过度”的关键挑战，其中来自远程节点的信息流的忠实度变得扭曲。这种现象在信息传递机制中显著削弱了效率，尤其是对于依赖于复杂远程交互的任务。在本综合文章中，我们阐明了困扰GNNs的压缩过度的主要限制。我们的探索涉及研究人员为改善这一局限性所作的持续努力的细致阐述。通过系统的阐述，我们深入探讨迄今为止提出的旨在减轻压缩过度的伤害的策略、方法和创新。通过揭示这个错综复杂的问题，我们旨在为人们对GNN领域中的挑战和设计来克服这些挑战的不断演变的解决方案有一个细致的理解做出贡献。
作者：Singh Akansha
论文ID：2308.15568
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-31