Zusammenfassung: In den letzten zehn Jahren haben sich Deep-Learning-Modelle zu einer wichtigen Triebkraft der modernen künstlichen Intelligenz entwickelt. Sie ermöglichen bemerkenswerte Fortschritte bei der Analyse und Interpretation komplexer Daten in verschiedenen Bereichen wie Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache und darüber hinaus. Diese Modelle wurden hauptsächlich für regelmäßige, gitterförmige Daten wie Sequenzen und Bilder entwickelt, doch nicht alle Datenformen entsprechen gitterförmigen Strukturen. Ein Graph ist eine allgemeinere Datenstruktur, mit der sich Entitäten und ihre Beziehungen sehr gut darstellen lassen, was sich für Bereiche wie soziale Netzwerke, Biologie und Chemie anbietet.

Moderne Deep-Learning-Modelle stehen bei der Anwendung auf Graphdaten aufgrund der inhärenten Komplexität und der nicht-euklidischen Natur dieser Graphen vor erheblichen Herausforderungen. Kürzlich wurden Graph Neural Networks (GNNs) als leistungsfähiges Werkzeug zur Erfassung der komplexen Strukturen und Beziehungen in Graphdaten entwickelt. In dieser Arbeit befassen wir uns mit den verschiedenen Aspekten, die die Leistung von GNNs für Standard-Graphenlernaufgaben (z.B. Graphen- und Knotenklassifizierung) verbessern können, indem wir fortgeschrittene Lerntechniken zur Graphenrepräsentation einführen, wie z.B. Graphen-Pooling, Graphen-Augmentation, Community-basierte Nachrichtenübermittlung und Graphen-Umverdrahtung.

Zunächst konzentrieren wir uns auf das Graph-Pooling, einen wesentlichen GNN-Baustein, und entwerfen drei neuartige Graph-Pooling-Methoden zum Erlernen von Graphdarstellungen.Diese Methoden reduzieren die Größe und Komplexität von Graphen, während wesentliche strukturelle Informationen erhalten bleiben, so dass GNN-Modelle eine überlegene Leistung bei Graphenklassifizierungsaufgaben erzielen können.Zweitens schlagen wir fortschrittliche Techniken zur Graphenerweiterung vor, um schwach markierte Datenproben zu generieren und so die Generalisierung und Robustheit von GNN-Modellen zu verbessern. Zu diesen Techniken gehören die Node-Dropping Augmentation-Strategie, die selektiv weniger wichtige Knoten auf der Grundlage ihres Grades entfernt, und eine Struktur-Lernmethode, um isolierte Knoten durch Lernen von aufmerksamkeitsbasierten Beziehungen wieder zu verbinden.

Drittens entwickeln wir ein fortschrittliches Verfahren zur Nachrichtenübermittlung, um die Herausforderungen heterophiler Graphen zu bewältigen, bei denen verbundene Knoten unterschiedliche Merkmale oder Bezeichnungen haben können.Diese verbesserte Methode der Nachrichtenübermittlung verbessert die Fähigkeit des GNN, verschiedene Knotenattribute zu erfassen, was zu genaueren Ergebnissen bei der Knotenklassifizierung führt.

Schließlich stellen wir eine neuartige Methode zur Neuverdrahtung von Graphen vor, um das Problem der übermäßigen Verschachtelung in GNN-Architekturen zu lösen.Diese Methode fügt strategisch Kanten hinzu, um eine effektive Kommunikation und einen effektiven Informationsfluss innerhalb des Graphen zu gewährleisten, wobei weitreichende Abhängigkeiten erhalten bleiben und die Gesamtleistung des Modells verbessert wird.