基于自干扰消除的规范等价性图网络
机器学习
2026-05-20 v2
摘要
图神经网络(Graph Neural Networks, GNNs) 在仲屬性图上表现优异，但在异质性场景下常因自强化和相位不一致信号而失败。我们提出一种带有自干扰消除机制的规范等价性图网络(Gauge-Equivariant Graph Network with Self-Interference Cancellation, GESC)，其将可加聚合替换为基于投影的干扰机制。不同于依赖可加消息混合的先前磁性或规范等价性 GNN，GESC 显式建模由低频冗余组件引起的自干扰。我们表明，现有规范基 GNN 中缺乏干扰处理是规范传输下过度平滑的主要驱动因素。我们引入 相位连接，随后进行秩-1 投影以抑制注意力前的自平行分量，并引入基于符号的门以调节负向对齐邻居。跨越多样化图基准，GESC 持续优于最新领先模型，同时提供一种统一的干扰感知视角来理解消息传递。我们的代码已公开于 https://github.com/ChoiYoonHyuk/GESC。
引用
@article{arxiv.2511.16062,
title = {Gauge-Equivariant Graph Networks via Self-Interference Cancellation},
author = {Yoonhyuk Choi and Jiho Choi and Jiwoo Kang},
journal= {arXiv preprint arXiv:2511.16062},
year = {2026}
}