基于网络控制理论与秩编码的图机器学习特征构建
机器学习
2025-07-23 v2
摘要
本文利用图中平均可控性概念，结合新颖的秩编码方法，提高图神经网络(GNN)在社交网络分类任务中的性能。GNN在各种基于网络的学习应用中证明效果显著，需要某种形式的节点特征。然而，其性能严重依赖于这些特征的表达力。在社交网络中，由于隐私限制或缺乏内在属性，节点特征常不可得，这使得GNN难以实现最佳性能。为此，我们提出两种构建表达式节点特征的策略。首先，我们引入平均可控性及其他中心性指标(称为NCT-EFA)作为节点级指标，捕捉网络拓扑的关键方面。基于此，我们开发一种秩编码方法，将平均可控性或其他任何图论指标转换为固定维度的特征空间，从而提高特征表示。我们在六个基准GNN模型上针对四个社交网络数据集进行大量数值评估，以比较不同的节点特征构建方法。我们的结果表明，将平均可控性纳入特征空间可显著提高GNN性能。此外，所提方法优于传统的单热度编码，采用GraphSAGE在GitHub Stargazers数据集上将ROC AUC从68.7%提升至73.9%，凸显其在生成表达且高效的节点表示方面的有效性。
引用
@article{arxiv.2507.15195,
title = {Feature Construction Using Network Control Theory and Rank Encoding for Graph Machine Learning},
author = {Anwar Said and Yifan Wei and Obaid Ullah Ahmad and Mudassir Shabbir and Waseem Abbas and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2507.15195},
year = {2025}
}