用于解决图神经网络中过挤压问题的异步消息传递
机器学习
2025-09-09 v1
摘要
图神经网络（GNN）存在过挤压问题，该问题在任务需要长距离交互时发生。该问题源于限制远距离节点间消息传播的瓶颈。最近，图重连方法修改了边连接性，有望在长距离任务上表现良好。然而，图重连破坏了归纳偏置，在解决下游任务时导致显著的信息丢失。此外，增加通道容量可以克服信息瓶颈，但会增加模型的参数复杂度。为了缓解这些缺点，我们提出了一个高效的模型无关框架，与传统的同步消息传递 GNN 不同，该框架异步更新节点特征。我们的框架在每一层基于节点中心性值创建节点批次。属于这些批次的节点特征将仅被更新。异步消息更新跨层顺序处理信息，避免了同时压缩到固定容量的通道中。我们还在理论上证明了，与标准同步方法相比，我们提出的框架保持了更高的特征敏感度界限。我们的框架应用于六个标准图数据集和两个长距离数据集以执行图分类，并在 REDDIT-BINARY 和 Peptides-struct 上分别取得了 和 的提升，表现令人印象深刻。
引用
@article{arxiv.2509.06777,
title = {Asynchronous Message Passing for Addressing Oversquashing in Graph Neural Networks},
author = {Kushal Bose and Swagatam Das},
journal= {arXiv preprint arXiv:2509.06777},
year = {2025}
}