Skip to main content

> ML_ALGORITHM // GRAPH-ISOMORPHISM-NETWORKS-GIN_v1.0

Çizge İzomorfizm Ağı (GIN)

1-Weisfeiler-Lehman çizge izomorfizm testinin teorik üst sınırına ulaşan, kanıtlanabilir şekilde maksimum ifade gücüne sahip çizge sinir ağı.

Expressive Graph Neural Networksgraph-relationalmoderate-posthocmedium (1k-100k)
Tüm Algoritmalara Dön
Hesaplama Karmaşıklığı
Eğitim (Training):O(|E| * d + |V| * d^2)
Çıkarım (Inference):O(|E| * d)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Evet
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:moderate-posthoc
Eğitim Verisi İhtiyacı:medium (1k-100k)

Açıklanabilirlik Değerlendirmesi

Klasik 1-WL çizge izomorfizm testinin maksimum ayırt etme gücüne eşit olduğu teorik olarak kanıtlanmıştır.

Uygun Görevler ve Desteklenen Modaliteler

Uygun Görevler:
graph classificationmolecular property prediction
Desteklenen Modaliteler:
graph

Uygulayıcı Kütüphaneler

torch-geometric
Deep Graph Library (DGL)DMLC / AWS / NYU · v2.2.1
İncele

Temel Literatür & Yayınlar

How Powerful are Graph Neural Networks? (Graph Isomorphism Network - GIN)Keyulu Xu, Weihua Hu (2019) · International Conference on Learning Representations (ICLR)
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
  • Aynı 1-WL ağaçlarını içeren basit izomorfik olmayan çizgeleri ayırt edemez (ör. 6'lı halka ile iki ayrı üçgeni ayırt etmek)