Convergence of Graph Neural Networks with generic aggregation functions on random graphs - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Convergence of Graph Neural Networks with generic aggregation functions on random graphs

Résumé

We study the limit behavior of GNNs on large random graphs. We consider GNNs with a generic aggregation function and show that under mild regularity conditions, they converge to a ”continuous“ counterpart. We provide some non asymptotic bounds with high probability for this convergence which encompass several cases of aggregation such as, the mean, or the maximum
On s'intéresse au comportement limite des Réseaux de Neurones sur Graphes appliqués aux grands graphes aléatoires. On démontre que sous certaines hypothèses de régularité, un GNN converge vers un homologue «continu». L'originalité de ce travail est de considérer des fonctions d'agrégation abstraites et générales tandis que les études antérieures traitent de cas particuliers. On quantifie les convergences à l'aide de bornes non asymptotiques en probabilité basées sur l'inégalité de McDiarmid pour des agrégations ayant une régularité de type lipschitzienne. Le cas du maximum, non inclus dans cette catégorie, est traité à part.
Fichier principal
Vignette du fichier
gretsi.pdf (307.76 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04373554 , version 1 (05-01-2024)

Licence

Paternité

Identifiants

  • HAL Id : hal-04373554 , version 1

Citer

Matthieu Cordonnier, Nicolas Keriven, Nicolas Tremblay, Samuel Vaiter. Convergence of Graph Neural Networks with generic aggregation functions on random graphs. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images, GRETSI - Groupe de Recherche en Traitement du Signal et des Images, Aug 2023, Grenoble, France. pp.1-4. ⟨hal-04373554⟩
39 Consultations
20 Téléchargements

Partager

Gmail Facebook X LinkedIn More