面向合成图生成模型分类的特征增强图神经网络：基准测试研究
机器学习
2025-12-23 v1
摘要
区分生成图模型的能力对于理解合成图以及它们模仿的真实世界结构至关重要。虽然图神经网络 (GNN) 在图分类任务中越来越受到关注，但鲜有研究探讨其与可解释图论特征的集成。本文研究了使用结合 GNN 和工程化图论特征的混合方法来分类合成图家族。我们生成了一个大型且结构多样的合成数据集，包含来自五个代表性生成家族的图：Erdos-Renyi、Watts-Strogatz、Barab'asi-Albert、Holme-Kim 和 Stochastic Block Model。这些图的规模可达 个节点，包含最多 条边。为每个图提取了全面的节点级和图级特征，并使用基于 Random Forest 的特征选择管道进行修剪。将特征集成到六种 GNN 架构中：GCN、GAT、GATv2、GIN、GraphSAGE 和 GTN。每个架构都使用 Optuna 进行超参数优化。最后，我们将模型与仅基于手工特征训练的基线支持向量机 (SVM) 进行比较。我们的评估表明，GraphSAGE 和 GTN 实现了最高的 98.5% 分类精度，并通过 t-SNE 和 UMAP 可视化证实了强烈的类别分离。GCN 和 GIN 也表现良好，而 GAT-based 模型因其捕获全局结构能力有限而落后。SVM 基线确认了消息传递功能对于性能提升和有意义的类别分离的重要性。
引用
@article{arxiv.2512.18524,
title = {Feature-Enhanced Graph Neural Networks for Classification of Synthetic Graph Generative Models: A Benchmarking Study},
author = {Janek Dyer and Jagdeep Ahluwalia and Javad Zarrin},
journal= {arXiv preprint arXiv:2512.18524},
year = {2025}
}
备注
This is a preprint version of a manuscript currently under review at The Journal of Supercomputing (Springer)