贝叶斯邻域适应：用于图神经网络的邻域适应
机器学习
2026-02-16 v2
摘要
图神经网络（GNN）聚合信息以刻画节点统计特性的邻域范围（即跳数）对GNN的性能至关重要。两种方法——为每个预设邻域范围训练和验证GNN以搜索最佳设置——耗时且因搜索空间设计而偏颇。如何为 homophilic 和 heterophilic 图的消息聚合过程自适应确定适当的邻域范围仍基本未探索。我们因此提出将GNN的消息传递行为建模为随机过程， treating 跳数作为贝塔过程。这一贝叶斯框架允许我们在GNN参数优化的同时推断消息聚合的最合理邻域范围。我们的理论分析表明，邻域推断可提高GNN的表达能力。在基准homophilic和heterophilic数据集上的实验表明，所提方法与最先进的GNN变体兼容， 在节点分类任务中实现优异或更好的性能，同时提供了良好校准的预测。实现代码已公开：https://github.com/paribeshregmi/BNA-GNN
引用
@article{arxiv.2602.05358,
title = {Bayesian Neighborhood Adaptation for Graph Neural Networks},
author = {Paribesh Regmi and Rui Li and Kishan KC},
journal= {arXiv preprint arXiv:2602.05358},
year = {2026}
}
备注
Published in Transactions on Machine Learning Research (TMLR), 07/2025