基于谱随机特征聚合的高效身份与位置图嵌入
机器学习
2025-05-28 v1 社会与信息网络
摘要
图神经网络（GNN）通过遵循图嵌入框架的特征聚合机制捕获图结构，已展现出支持各种任务的强大能力。根据要保留的拓扑属性（例如，节点的结构角色或社区隶属关系），图嵌入可分为身份嵌入和位置嵌入。然而，对于大多数基于 GNN 的方法，尚不清楚它们能捕获哪种属性。其中一些方法还可能因多个耗时和耗空间的程序（例如，特征提取和训练）而面临低效率和可扩展性差的问题。从图信号处理的角度，我们发现图谱域中的高频和低频信息可能分别表征节点身份和位置。基于这一研究，我们提出了随机特征聚合（RFA）以实现高效的身份和位置嵌入，作为关于 GNN 特征聚合的一项极端消融研究。RFA (i) 采用无可学习参数的基于谱的 GNN 作为其骨干， 仅使用随机噪声作为输入，以及 仅通过一次前向传播（FFP）导出嵌入。受度修正谱聚类的启发，我们进一步在 GNN 骨干中引入了度修正机制。令人惊讶的是，我们的实验表明，具有高通和低通滤波器的两个 RFA 变体可以仅通过一次 FFP（即无需任何训练）分别导出信息丰富的身份和位置嵌入。因此，在各种基线上，RFA 能够在身份嵌入和位置嵌入的质量与效率之间实现更好的权衡。
引用
@article{arxiv.2505.20992,
title = {Efficient Identity and Position Graph Embedding via Spectral-Based Random Feature Aggregation},
author = {Meng Qin and Jiahong Liu and Irwin King},
journal= {arXiv preprint arXiv:2505.20992},
year = {2025}
}
备注
Accepted by ACM SIGKDD 2025