我们可以在 Lorentzian 流形上轻松地克服图神经网络的单射瓶颈吗？
机器学习
2025-07-21 v5 人工智能
摘要
虽然双曲线 GNN 在层次数据方面表现出色，但由于非单射聚合，往往在欧几里得等价物或WL 检验方面具有有限的判别能力。为弥补此表达差距，我们提出了 Lorentzian 图等同网络 (LGIN)，一种用于在Lorentzian模型中实现更好判别能力的新型双曲线 GNN。LGIN 引入一种保持Lorentzian度量的新更新规则，有效地捕获更丰富的结构信息。这标志着在黎曼流形上更具表达性的 GNN 的重要一步。对九个基准数据集进行的广泛评估表明，LGIN 在性能上始终优于或相当于双曲线和欧几里得基线，展示了其捕获复杂图结构的能力。LGIN 是首个将强大且高度具判别性 GNN 架构原理适用于黎曼流形的模型。本文的代码可在 https://github.com/Deceptrax123/LGIN 获取。
引用
@article{arxiv.2504.00142,
title = {Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks?},
author = {Srinitish Srinivasan and Omkumar CU},
journal= {arXiv preprint arXiv:2504.00142},
year = {2025}
}
备注
Accepted at ACM SIGMOD/PODS 2025 GRADES NDA Workshop (Non-Archival) Poster: https://drive.google.com/file/d/1hjUqbIWrjhZ1YTFDGFK9hxGYiz9xYLSC/view?usp=drive_link