GNNs Getting ComFy：引导社区与特征相似性的图神经网络重构
机器学习
2025-02-10 v1 社会与信息网络
机器学习
摘要
通过图重构最大化谱间隙有被提议以增强基于消息传递的图神经网络（GNN）性能，以解决过度压缩问题。然而，我们展示，最小化谱间隙也能改善泛化性。为解释这一现象，我们在随机块模型的背景下分析图重构如何惠及GNN。由于谱间隙优化主要影响社区强度，当社区结构与节点标签一致时，可提升性能。基于此洞见，我们提出三种不同策略：（a）基于社区结构的重构（ComMa），是谱间隙优化更高效的替代方案，目标相似；（b）基于特征相似性的重构（FeaSt），聚焦于最大化全局同质性；（c）混合方法（ComFy），在保持社区结构的同时增强局部特征相似性，以优化标签-社区对齐。大量实验确认了这些策略的有效性，并支持我们的理论见解。
引用
@article{arxiv.2502.04891,
title = {GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring},
author = {Celia Rubio-Madrigal and Adarsh Jamadandi and Rebekka Burkholz},
journal= {arXiv preprint arXiv:2502.04891},
year = {2025}
}
备注
Accepted at ICLR 2025