DeltaGNN：具有信息流控制的图神经网络
机器学习
2025-01-13 v1
摘要
图神经网络（GNN）是通过消息传递过程中的递归邻域聚合来处理图结构数据的流行深度学习模型。当应用于半监督节点分类时，消息传递使GNN能够理解短程空间交互，但也导致其遭受过平滑和过挤压问题。这些挑战阻碍了模型表达能力，并阻止使用更深层模型来捕获图中的长程节点交互（LRI）。流行的LRI检测方法要么因时间复杂度高而难以处理大图，要么无法泛化到不同的图结构。为解决这些限制，我们提出了一种称为“信息流控制”的机制，该机制利用一种新颖的连通性度量——“信息流分数”，以线性计算开销解决过平滑和过挤压问题，并有理论证据支持。最后，为证明我们方法的有效性，我们设计了DeltaGNN，这是第一个可扩展且可泛化的检测长程和短程交互的方法。我们在10个真实世界数据集上对模型进行了基准测试，包括不同大小、拓扑、密度和同质性比例的图，展示了在有限计算复杂度下的优越性能。所提出方法的实现已在https://github.com/basiralab/DeltaGNN公开。
引用
@article{arxiv.2501.06002,
title = {DeltaGNN: Graph Neural Network with Information Flow Control},
author = {Kevin Mancini and Islem Rekik},
journal= {arXiv preprint arXiv:2501.06002},
year = {2025}
}