Deep Learning on Compressed Graphs

Abstract

Graaf neurale netwerken zijn neurale netwerken die werken met gegevens die gestructureerd zijn als grafen. Dit in tegenstelling tot klassieke neurale netwerken, waarbij alleen de onmiddellijke gegevens van elk element worden onderzocht. Rekening houden met de structuur van de gegevens kan de accuraatheid van de voorspellingen van een neuraal netwerk aanzienlijk verbeteren, maar het brengt zijn eigen uitdagingen met zich mee. Rekening houden met deze extra gegevens is geenszins gratis, en er zal veel extra rekenkracht en geheugen nodig zijn. Ook zijn er beperkingen in de manier waarop graaf neurale netwerken rekening kunnen houden met de structuur van een graaf, waarbij deze modellen alleen rekening kunnen houden met de lokale omgeving van elke knoop in de graaf.

In deze dissertatie onderzoeken we of we deze beperkingen in de expressiviteit van graaf neurale netwerken kunnen gebruiken om de grafen op de een of andere manier te comprimeren op een manier die vrijwel ononderscheidbaar is aan de oorspronkelijke graaf, zodat we de graaf neurale netwerken kunnen trainen op deze veel kleinere gecomprimeerde grafen, waardoor het trainingsproces hopelijk sneller verloopt en we toch de gegevensstructuur van de gegevens kunnen benutten.