通过架构无关性图变换增强 GNN：系统性分析
机器学习
2024-10-14 v1 人工智能
摘要
近年来，涌现出各种图神经网络（GNN）架构，每种架构都有其优势、劣势和复杂性。已采用各种技术，包括重接、提升和使用中心性值对节点进行注释，作为增强 GNN 性能的预处理步骤。但目前尚无被普遍接受的最佳实践，预处理对性能的影响往往难以把握。本研究系统性地探讨了各种图变换作为预处理步骤对常见 GNN 架构在标准数据集上性能的影响。根据其在区分非同构图能力（即表达性）方面的表现对模型进行评估。我们的发现表明，某些变换，特别是将中心性措施增强到节点特征的变换，能持续改善表达性。然而，这些收益伴随权衡，因为诸如图编码等方法虽在提升表达性，但会引入广泛使用的 Python 软件包中的数值不准确。此外，我们还发现这些预处理技术在处理涉及 3-WL 和 4-WL 难以区分图的复杂任务方面受限。
引用
@article{arxiv.2410.08759,
title = {Enhancing GNNs with Architecture-Agnostic Graph Transformations: A Systematic Analysis},
author = {Zhifei Li and Gerrit Großmann and Verena Wolf},
journal= {arXiv preprint arXiv:2410.08759},
year = {2024}
}