Wat is een Graph Isomorphism Network (GIN)?

Het Graph Isomorphism Network (GIN) is een type grafneuraal netwerk (GNN) dat is ontworpen om grafen effectief te onderscheiden. GIN is gebaseerd op het idee dat zijn architectuur de kracht van de Weisfeiler-Lehman-test voor grafisomorfisme kan benaderen, waardoor het zeer expressief is.

Het hoofdidee van GIN is de aggregatie van kenmerken van naburige knooppunten door middel van optelling en het daarna toepassen van een meerdimensionale perceptron (MLP). Dit stelt het netwerk in staat om de structuren van grafen beter te onderscheiden dan andere aggregatiemethoden (bijvoorbeeld het gemiddelde).

Voorbeeld van de formule voor het bijwerken van de kenmerken van knoop 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)

waar:

• (h_v^{(k)}) de kenmerken van knoop v op laag k zijn,
• (N(v)) de verzameling van buren van knoop v,
• (\epsilon^{(k)}) een trainbare parameter,
• MLP een meerdimensionale perceptron.

Dus, GIN is effectief voor taken waarbij het belangrijk is om subtiele structurele verschillen tussen grafen te onderscheiden.