图神经网络中重连方法的实证评估
机器学习
2025-06-27 v2
摘要
图神经网络通过执行多步消息传递来计算节点表示，每一步由节点特征的局部聚合组成。构建能够利用节点间更长程交互的深度模型受到过平滑与过压缩问题的阻碍。尤其后者归因于引导消息传递的图拓扑，导致节点表示对远端节点所含信息变得不敏感。许多图重连方法被提出以补救或缓解该问题。然而，由于过压缩与模型训练密切相关的其他问题（如梯度消失）相耦合，恰当评估这些方法的收益变得困难。因此，我们提出一种基于无需训练即可计算节点与图表示的消息传递模型的评估设定。我们在真实世界的节点与图分类任务上进行系统性实验比较，表明重连底层图很少为消息传递带来实际收益。
引用
@article{arxiv.2305.19717,
title = {An Empirical Evaluation of Rewiring Approaches in Graph Neural Networks},
author = {Alessio Micheli and Domenico Tortorella},
journal= {arXiv preprint arXiv:2305.19717},
year = {2025}
}
备注
8 pages, 4 figures