融合 LLM 预测同质性的谱图神经网络增强方法
机器学习
2025-08-06 v2
摘要
谱图神经网络（SGNN）因其学习灵活滤波器的能力，在节点分类等任务中取得了显著成绩。通常，这些滤波器在下游任务监督下学习，使 SGNN 能适应多样化的结构模式。然而，在标注数据有限的场景下，SGNN 往往难以捕获最优滤波器形状，尤其是在呈现异质性结构的图上时表现下降。与此同时，大型语言模型（LLM）的快速发展为无需修改图结构或依赖任务特定训练即可提升图学习提供了新可能。本文提出一种新框架，利用 LLM 估计图的同质性水平，并将该全局结构先验用于引导谱滤波器的构建。具体而言，我们设计了轻量级且即插即用的数据处理管道，将少量标注节点对格式化为自然语言提示输入 LLM，从而预测图的同质性比率。该估计值用于指导谱滤波器基底的构建，使 SGNN 能更有效地适应 homophilic 与 heterophilic 结构。多个基准数据集上的大量实验表明，我们的 LLM 辅助谱框架持续优于强大的 SGNN baseline。重要的是，这种提升几乎不增加计算和费用成本，具有实际应用价值。
引用
@article{arxiv.2506.14220,
title = {Enhancing Spectral Graph Neural Networks with LLM-Predicted Homophily},
author = {Kangkang Lu and Yanhua Yu and Zhiyong Huang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2506.14220},
year = {2025}
}