聚合缓冲区：重新审视基于新参数块的 DropEdge
机器学习
2025-05-28 v1
摘要
我们重新审视了 DropEdge，这是一种针对图神经网络（GNN）的数据增强技术，通过随机删除边缘来在训练期间暴露多样化的图结构。尽管该方法是一种有前景的做法，能够有效减少对图中特定连接的过拟合，但我们注意到其在监督学习任务中的潜在性能提升受到显著限制。为此，我们提供了理论分析，表明 DropEdge 的性能受限源于许多 GNN 架构中固有的局限性。基于此分析，我们提出了聚合缓冲区（Aggregation Buffer），这是一种专为改善 GNN 对 DropEdge 局限性而设计的参数块。该方法与任何 GNN 模型兼容，并在多个数据集上显示出一致的性能提升。此外，我们的方法有效地解决了诸如度偏差或结构差异等已知问题，作为一种统一解决方案。代码和数据集均可在 https://github.com/dooho00/agg-buffer 获取。
引用
@article{arxiv.2505.20840,
title = {Aggregation Buffer: Revisiting DropEdge with a New Parameter Block},
author = {Dooho Lee and Myeong Kong and Sagad Hamid and Cheonwoo Lee and Jaemin Yoo},
journal= {arXiv preprint arXiv:2505.20840},
year = {2025}
}