|图神经网络越深，表现就一定越好吗？( 三 )
Michael Bronstein在他最近发表的一篇关于可伸缩初始类图神经网络（Scalable inception-like graph neutral networks, SIGN）的论文里 ， 详尽讲解了如何使用具备多个预计算滤波器（multiple pre-computed filters）的单层线性图卷积结构 ， 并展示了该网络与更复杂数十倍的模型想比 ， 性能不相上下 。 有趣的是 ， 计算机视觉采取的方法与图深度学习截然相反：早期使用大型滤波器（高达11×11）的浅层卷积神经网络（CNN）结构（比如AlexNet） ， 后来都被使用小型滤波器（一般为3×3）的深度结构所取代了 。
5、评估
目前评估图神经网络的常见方法 ， 遭到了Oleksandr Shchur和Stephan Günnemann小组成员的严重质疑 。 他们聚焦于常见基准的缺陷 ， 并指出简单模型和复杂模型在相同条件下的表现相差无几 。
我们观察到的一些与深度结构相关的现象（包括性能随深度加深而降低） ， 可能仅是因为小型数据集的过度拟合 。 全新的 Open Graph Benchmark能为大规模图像提供严格的训练和测试数据拆分方法 ， 在一定程度上解决了上述的一些问题 。 作者认为 ， 研究者需要精心设计实验过程 ， 以便更好地了解深度对图深度学习是否有用、以及在什么时候能发挥作用 。
via：https://towardsdatascience.com/do-we-need-deep-graph-neural-networks-be62d3ec5c59
本文插图
更多交流
推荐阅读
- |将量子计算机当作神经网络，首次模拟化学反应，谷歌新研究登上Science封面
- AI人工智能|特斯拉开发Dojo神经网络训练计算机 后者是性能野兽
- |用神经网络给照片补光，谷歌这项研究却实现了「鬼片」效果
- |推动边缘端机器学习，NXP Glow神经网络编译器问市
- 融资并购|深度神经网络处理器公司Syntiant获微软 M12投资
- 钛媒体|模仿大脑的算法来了，可帮助人工神经网络节省内存和能量
- Array|我们真的需要深度图神经网络吗？
- AI人工智能|我们真的需要深度图神经网络吗？
- 机器之心|屏下摄像头效果不好？微软：上神经网络，还原更真实的可视会议效果