[논문 리뷰] Graph Normalizing Flows

Jenny Liu, Aviral Kumar외 3명|arXiv (Cornell University)|2019. 05. 30.

Advanced Graph Neural Networks참고 문헌 30인용 수 39

한 줄 요약

제공된 텍스트는 Graph Normalizing Flows에 대한 실제 논문 내용이 아니라 NeurIPS 형식 지정 지침입니다.

ABSTRACT

We introduce graph normalizing flows: a new, reversible graph neural network model for prediction and generation. On supervised tasks, graph normalizing flows perform similarly to message passing neural networks, but at a significantly reduced memory footprint, allowing them to scale to larger graphs. In the unsupervised case, we combine graph normalizing flows with a novel graph auto-encoder to create a generative model of graph structures. Our model is permutation-invariant, generating entire graphs with a single feed-forward pass, and achieves competitive results with the state-of-the art auto-regressive models, while being better suited to parallel computing architectures.

연구 동기 및 목표

• 입력에는 논문의 목적이 포함되어 있지 않습니다; Graph Normalizing Flows 콘텐츠라기보다는 NeurIPS 2019 형식 지정 지침으로 보입니다.

제안 방법

• 제공된 텍스트에는 방법론적 세부 정보가 없습니다; NeurIPS 제출용 형식 규칙과 예제로 구성되어 있습니다.

실험 결과

연구 질문

• RQ1 제공된 텍스트에 연구 질문이 제시되어 있지 않습니다.

주요 결과

• 제공된 텍스트에 결과가 제시되어 있지 않습니다.