近日,斯坦福 Jure Leskovec 和 Facebook 的何凯明等人提出了一种神经网络的新型的图表示法。该表示法有助于对神经网络的架构和预测性能有更深层的理解。这篇论文已经被 ICML 2020 收录。
本文系统地研究了神经网络的图结构与其预测性能之间的关系。
Graph Structure of Neural Networks
神经网络通常被表示为神经元之间的连接图。然而,尽管它们被广泛使用,目前人们对神经网络图结构与其预测性能之间的关系知之甚少。本文系统地研究了神经网络的图结构是如何影响其预测性能的。为此,我们开发了一种新的基于图的神经网络表示,称为关系图,其中神经网络的计算层对应于沿着图结构的几轮信息交换。使用这种表示,我们表明:
-
神经网络的图结构很重要;
-
关系图的“甜蜜点”导致神经网络具有显著提高的预测性能;
-
神经网络的性能近似是其关系图的聚类系数和平均路径长度的平滑函数;
-
我们的发现在许多不同的任务和数据集中是一致的;
-
可以有效地识别顶层结构;
-
表现良好的神经网络具有与真实生物神经网络惊人地相似的图结构。
我们的工作为