כתבה
arXiv cs.LG ·
כמה חשיבות לעבירת מסרים ב-GNN? ניתוח דחיפה של שכבות MP לרגרסיה נוירלית
How Much Does Message Passing Matter? A Drop-In Study of GNN Layers for Neural Network Graph Regression
במאמר זה, נבחן את חשיבות הבחירה בשכבות MP לרגרסיה נוירלית על גרפים של רשתות עצביות. נמצא כי הבחירה בשכבה MP תלויה בגודל הגרף ובגודל הקבוצה הלמדה.
תקציר מקורי באנגליתarXiv:2607.26404v2 Announce Type: replace Abstract: Graph Neural Networks (GNNs) are widely used as regressors, for example to predict the accuracy of a neural architecture. Yet new message-passing (MP) layers are developed and benchmarked almost exclusively on classification tasks, and regression pipelines typically adopt a single MP layer without ablation. We ask how much the choice of MP layer matters for graph-level regression. Holding the architecture, loss and training recipe of four existing GNN regressors fixed, we substitute ten MP configurations spanning convolutional, isomorphism-based and attention-based designs. We evaluate them on eleven datasets of neural-network graphs that range from under ten to over a thousand nodes per graph and from a few hundred to over four hundred t
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית