双Mamba用于节点特定表示学习：通过选择性状态空间建模应对过平滑问题
机器学习
2026-04-13 v3
摘要
过平滑仍是深层图神经网络（GNN）的根本挑战， 其中重复消息传递导致节点表示难以区分。虽然残差连接和跳过层等现有方法在某种程度上缓解了此问题， 但它们未明确建模节点表示在跨层中的节点特定和渐进式演化。此外， 这些方法也未考虑全局信息， 全球信息也是缓解过平滑问题的关键。为此， 本文提出双Mamba增强型图卷积网络（DMbaGCN）， 一种新型框架将Mamba集成至GNN中，从局部和全局两个维度解决过平滑问题。DMbaGCN包含两个模块：用于局部邻域聚合并利用Mamba的选择性状态空间建模捕获跨层节点特定表示动态的局部状态演化Mamba（LSEMba）， 以及利用Mamba的全局注意力能力为每个节点纳入全局上下文的全局上下文感知Mamba（GCAMba）。通过组合这些组件， DMbaGCN增强了深层GNN中节点的判别能力， 从而缓解了过平滑问题。多个基准实验表明， 本方法在有效性和效率方面均表现出色。
引用
@article{arxiv.2511.06756,
title = {Dual Mamba for Node-Specific Representation Learning: Tackling Over-Smoothing with Selective State Space Modeling},
author = {Xin He and Yili Wang and Yiwei Dai and Xin Wang},
journal= {arXiv preprint arXiv:2511.06756},
year = {2026}
}
备注
Accepted by The 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026)