图神经网络是否因输入图的拓扑结构而受限？
机器学习
2025-02-26 v1 机器学习
摘要
图神经网络（GNNs）在从图结构数据中学习方面展现出显著的成功，但输入图拓扑对 GNN 行为的影响仍鲜有了解。本文探讨了 GNNs 是否固有地受限于输入图的结构，重点考察局部拓扑特征如何与消息传递机制相互作用以产生全局现象（如过平滑或富有表现力的表示）。我们引入 -跳相似性概念，调查是否存在局部相似的邻域导致一致的节点表示。这种相互作用可能导致有效学习或不可避免的过平滑，取决于图的固有属性。我们的实证实验验证了这些见解，突显了图拓扑对 GNN 性能的实际影响。
引用
@article{arxiv.2502.17739,
title = {Are GNNs doomed by the topology of their input graph?},
author = {Amine Mohamed Aboussalah and Abdessalam Ed-dib},
journal= {arXiv preprint arXiv:2502.17739},
year = {2025}
}