基于图神经网络的几何混合专家模型：曲率引导的自适应路由用于图表示学习
机器学习
2026-03-25 v1 人工智能
摘要
图结构数据通常表现出复杂的拓扑异质性，在单一黎曼流形中建模困难。虽然新兴的混合曲率方法试图捕捉这种多样性，但往往依赖于基于任务的隐式路由，缺乏根本的几何依据。为此，我们提出几何混合专家框架（GeoMoE），通过在多种黎曼空间中自适应融合节点表征，以更好地适应多尺度拓扑结构。其核心，GeoMoE利用欧拉-里斯曲率（Ollivier-Ricci Curvature, ORC）作为内在几何先验，以协调专家之间的协作。具体而言，我们设计一种图感知门控网络，分配节点特定的融合权重，并通过曲率引导的对齐损失以确保可解释且几何一致的路由。此外，我们引入曲率感知的对比目标，通过基于曲率一致性构建正负配对来促进几何判别性。广泛的实验表明，在六个基准数据集上，GeoMoE在各种图类型下均优于最先进的基线方法。
引用
@article{arxiv.2603.22317,
title = {Geometric Mixture-of-Experts with Curvature-Guided Adaptive Routing for Graph Representation Learning},
author = {Haifang Cao and Yu Wang and Timing Li and Xinjie Yao and Pengfei Zhu},
journal= {arXiv preprint arXiv:2603.22317},
year = {2026}
}