探索图神经网络中自适应重接的影响
机器学习
2026-02-12 v1 人工智能
系统与控制
系统与控制
机器学习
摘要
本文探讨稀疏化方法作为图神经网络（GNN）正则化手段，以解决大规模图应用中的高内存占用与计算成本问题。我们运用网络科学与机器学习中的技术，包括Erd\H{o}s-R\'enyi用于模型稀疏化，提升GNN在实际应用中的效率。我们在电网N-1 contingency assessment 中展示了该方法，这是确保电网可靠性的关键任务。我们将该方法应用于三个规模不同的数据集，探索Graph Convolutional Networks（GCN）和Graph Isomorphism Networks（GIN）在不同稀疏化程度下的表现。稀疏化水平的比较显示，结合两种研究领域的见解有望提升GNN的性能与可扩展性。我们的实验凸显了调优稀疏参数的重要性：尽管稀疏化可改善泛化，但过度稀疏化可能阻碍学习复杂模式。我们的方法在训练期间允许模型自适应调整其连接结构，尤其在结合早停策略时表现尤为有前景。这项研究促进了稀疏化在电力系统可靠性分析等关键应用中被有效利用的理解。
引用
@article{arxiv.2602.10754,
title = {Exploring the impact of adaptive rewiring in Graph Neural Networks},
author = {Charlotte Cambier van Nooten and Christos Aronis and Yuliya Shapovalova and Lucia Cavallaro},
journal= {arXiv preprint arXiv:2602.10754},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication