固定聚合特征可与GNN相媲美
机器学习
2026-01-28 v1
摘要
图神经网络（GNN）被广泛认为通过可训练的邻域聚合在节点表示学习方面表现出色。我们通过引入固定聚合特征（FAF）来挑战这一观点，这是一种免训练的方法，将图学习任务转化为表格问题。这种简单的转变使得使用成熟的表格方法成为可能，提供了强大的可解释性和部署多样化分类器的灵活性。在14个基准测试中，在FAF上训练的良好调优的多层感知机在12个任务上与最先进的GNN和图变换器相媲美或更优——通常仅使用均值聚合。唯一的例外是Roman Empire和Minesweeper数据集，这些数据集通常需要异常深的GNN。为了解释非可训练聚合的理论可能性，我们将我们的发现与Kolmogorov-Arnold表示联系起来，并讨论了均值聚合何时足够。总之，我们的结果呼吁：（i）更丰富的基准测试，以受益于学习多样化的邻域聚合；（ii）将强大的表格基线作为标准；（iii）使用和推进用于图数据的表格模型，以获得对相关任务的新见解。
引用
@article{arxiv.2601.19449,
title = {Fixed Aggregation Features Can Rival GNNs},
author = {Celia Rubio-Madrigal and Rebekka Burkholz},
journal= {arXiv preprint arXiv:2601.19449},
year = {2026}
}