通过随机路径图序列实现快速高效的 GNN 训练

我们提出 GERN，一种基于有效电阻（谱图论中的标准工具）用于节点分类任务中训练 GNN 的新颖可扩展框架。我们的方法在一组随机生成树（被适当变换为路径图）的序列上逐步精炼 GNN 权重，这些路径图尽管简单，却显示出保留了原始输入图的基本拓扑与节点信息。这些路径图的稀疏特性大幅减轻了 GNN 训练的计算负担。这不仅增强了可扩展性，也提升了后续测试阶段的精度，尤其在小型训练集情形下——此类情形具有重大实际意义，因为许多真实场景中标号难以获取。在这些设定下，我们的框架取得了极好的结果，因为它有效抵消了训练集较小时过拟合引起的训练退化。我们的方法还解决了诸如过度压缩与过度平滑等常见问题，同时避免了欠可达现象。尽管我们的框架灵活且可部署于多种类型 GNN，本文聚焦于图卷积网络，并在多个真实世界图基准上进行了广泛实验研究，相较于大量代表性基线同时实现了训练速度与测试精度的提升。