AttriReBoost：用于属性缺失图的无梯度传播优化方法以缓解冷启动问题
机器学习
2025-01-03 v1 人工智能
摘要
属性缺失问题在图学习中广泛存在，导致图神经网络(GNN)产生偏差结果。依赖特征传播的现有方法在处理属性重置和低阶节点问题时易受冷启动问题的困扰，阻碍有效的传播和收敛。在针对这些挑战的同时，我们提出了AttriReBoost(ARB)，一种新颖的方法，通过引入基于传播的方法来缓解属性缺失图中的冷启动问题。ARB通过重新定义初始边界条件并战略性地集成虚拟边缘，增强全局特征传播，从而提高节点连通性，确保更稳定和高效的收敛。该方法实现了无梯度的属性重建，计算开销更低。该方法在理论上得到了严格的收敛性证明。广泛的在多个真实世界基准数据集上的实验表明，ARB的有效性，平均比最先进的方法提高了5.11%的准确率。此外，ARB在计算效率方面表现突出，在单GPU上仅用16秒即可处理规模为249万节点的大型图。我们的代码已公开于https://github.com/limengran98/ARB。
引用
@article{arxiv.2501.00743,
title = {AttriReBoost: A Gradient-Free Propagation Optimization Method for Cold Start Mitigation in Attribute Missing Graphs},
author = {Mengran Li and Chaojun Ding and Junzhou Chen and Wenbin Xing and Cong Ye and Ronghui Zhang and Songlin Zhuang and Jia Hu and Tony Z. Qiu and Huijun Gao},
journal= {arXiv preprint arXiv:2501.00743},
year = {2025}
}