Какво е Graph Isomorphism Network (GIN)?

Мрежата за изоморфизъм на графи (GIN) е тип графна невронна мрежа (GNN), проектирана да различава ефективно графите. GIN се базира на идеята, че нейната архитектура може да приближи силата на алгоритъма за проверка на изоморфизма на графи (теста на Weisfeiler-Lehman), което я прави много изразителна.

Основната идея на GIN е агрегирането на характеристиките на съседните върхове чрез сумиране и последващо прилагане на многослоен перцептрон (MLP). Това позволява на мрежата да различава по-добре структурите на графите в сравнение с други методи за агрегация (например, средното).

Пример за формулата за актуализиране на характеристиките на върха v:

h_v^{(k)} = MLP^{(k)} \left( (1 + \epsilon^{(k)}) \cdot h_v^{(k-1)} + \sum_{u \in N(v)} h_u^{(k-1)} \right)

където:

• (h_v^{(k)}) са характеристиките на върха v на слой k,
• (N(v)) е множеството на съседите на върха v,
• (\epsilon^{(k)}) е обучаем параметър,
• MLP е многослоен перцептрон.

Следователно, GIN е ефективен за задачи, където е важно да се различават фини структурни разлики между графи.