EdgeGFL：重新思考图特征偏好学习中的边信息
机器学习
2025-02-05 v1 人工智能
摘要
图神经网络（GNN）在处理非欧几里得数据方面具有显著优势，已广泛应用于各个领域，因此近年来受到越来越多的关注。GNN 模型的框架主要包括信息传播阶段和聚合阶段，分别将节点和边视为信息实体和传播通道。然而，大多数现有的 GNN 模型面临着节点与边特征信息脱节的挑战，因为这些模型通常将边特征和节点特征的学习视为独立的任务。为了解决这一局限性，我们旨在开发一个边赋能的图特征偏好学习框架，该框架能够捕获边嵌入以辅助节点嵌入。通过利用学习到的多维边特征矩阵，我们构建了多通道滤波器以更有效地捕获准确的节点特征，从而获得非局部结构特征和细粒度的高阶节点特征。具体而言，多维边信息的引入增强了 GNN 模型的功能和灵活性，使其能够更有效地处理复杂多样的图数据。此外，将关系表示学习集成到消息传递框架中，使得图节点能够接收到更多有用的信息，从而促进节点表示学习。最后，在四个真实世界异构图上的实验证明了所提出模型的有效性。
引用
@article{arxiv.2502.02302,
title = {EdgeGFL: Rethinking Edge Information in Graph Feature Preference Learning},
author = {Shengda Zhuo and Jiwang Fang and Hongguang Lin and Yin Tang and Min Chen and Changdong Wang and Shuqiang Huang},
journal= {arXiv preprint arXiv:2502.02302},
year = {2025}
}