近年来,监督学习环境的几个结果表明,古典统计学习 - 理论措施,如VC维度,不充分解释深度学习模型的性能,促使在无限宽度和迭代制度中的工作摆动。但是,对于超出监督环境之外的神经网络成功几乎没有理论解释。在本文中,我们认为,在一些分布假设下,经典学习 - 理论措施可以充分解释转导造型中的图形神经网络的概括。特别是,我们通过分析节点分类问题图卷积网络的概括性特性,对神经网络的性能进行严格分析神经网络。虽然VC维度确实导致该设置中的琐碎泛化误差界限,但我们表明转导变速器复杂性可以解释用于随机块模型的图形卷积网络的泛化特性。我们进一步使用基于转换的Rademacher复杂性的泛化误差界限来展示图形卷积和网络架构在实现较小的泛化误差方面的作用,并在图形结构可以帮助学习时提供洞察。本文的调查结果可以重新新的兴趣在学习理论措施方面对神经网络的概括,尽管在特定问题中。
translated by 谷歌翻译