EvolveGCN: Эволюционирующие графовые сверточные сети для динамических графов

Обучение представлений графов вновь стало актуальным направлением исследований благодаря широкому применению глубокого обучения к евклидовым данным, что стимулировало разработку различных оригинальных архитектур нейронных сетей в неевклидовом пространстве, в частности для графов. После успешного применения графовых нейронных сетей (GNN) в статических условиях мы рассматриваем практические сценарии, в которых графы динамически изменяются. Существующие подходы обычно используют вложения узлов и рекуррентную нейронную сеть (RNN, в широком смысле) для регулирования этих вложений и обучения временной динамике. Такие методы требуют знания об узле на протяжении всего временного интервала, включая этапы обучения и тестирования, и хуже применимы при частом изменении множества узлов. В некоторых предельных сценариях множества узлов на разных временных шагах могут полностью различаться. Для решения этой задачи мы предлагаем EvolveGCN — модель, адаптирующую графовую сверточную сеть (GCN) во временном измерении без использования вложений узлов. Предлагаемый подход отражает динамику последовательности графов, используя RNN для эволюции параметров GCN. Для эволюции параметров рассматриваются две архитектуры. Мы оцениваем предложенный подход на задачах, включающих предсказание связей, классификацию ребер и классификацию узлов. Экспериментальные результаты в целом показывают, что EvolveGCN превосходит родственные подходы. Код доступен по адресу: https://github.com/IBM/EvolveGCN.