超越 Laplacian: 图神经网络的插值谱增强
机器学习
2025-12-08 v2
摘要
图神经网络 (GNN) 是图机器学习中的基本工具. GNN 的性能关键取决于信息丰富的节点特征的可用性, 而在实际数据集和应用中, 这些特征可能有限或缺失. 一种自然的补救方法是通过计算图 Laplacian 矩阵的特征向量来增强节点特征. 虽然默认使用 Laplacian 谱嵌入是合理的, 由于其捕获有意义的图连通性信息, 我们询问是否来自其他图矩阵的谱嵌入也能为学习提供有用表示. 我们引入插值 Laplacian 嵌入 (ILE), 其来源于一种简单而富有表现力的图矩阵族. 通过谱图论工具, 我们提供了 ILE 捕获结构信息的直观解释. 我们通过仿真和真实数据集上的实验表明, 通过 ILE 进行特征增强可提升各种常用 GNN 架构的性能. 我们的工作提供了一种直观且实用的方法, 拓宽了当节点特征有限时的谱增强工具箱.
引用
@article{arxiv.2511.11928,
title = {Beyond the Laplacian: Interpolated Spectral Augmentation for Graph Neural Networks},
author = {Ziyao Cui and Edric Tam},
journal= {arXiv preprint arXiv:2511.11928},
year = {2025}
}