图坐标与传统神经网络——图神经网络的替代方案

基于图的数据为机器学习带来了独特的挑战与机遇。图神经网络（GNN），尤其是那些通过消息传递进行邻域聚合以捕捉图拓扑的算法，一直处于领先地位。然而，这些网络通常需要大量的计算资源，并且可能无法最优地利用图拓扑中包含的信息，特别是对于大规模或复杂的图。我们提出了拓扑坐标神经网络（TCNN）和方向虚拟坐标神经网络（DVCNN）作为消息传递GNN的新型高效替代方案，它们直接利用图的拓扑，避开了竞争算法所带来的计算挑战。我们所提的方法可被视为用于神经网络特征工程的经典图嵌入技术的再现，但其新颖之处在于，我们的嵌入技术利用了当前实践中所缺乏的图坐标（GC）思想。在Open Graph Benchmark排行榜上的实验结果表明，TCNN和DVCNN实现了与消息传递GNN相当或更优的性能。在相似的准确率和ROC-AUC水平下，TCNN和DVCNN所需的可训练参数远少于OGBN排行榜上的竞争者。对于OGBN-Proteins和OGBN-Products数据集，所提出的TCNN架构所需的参数少于OGBN排行榜上目前列出的任何神经网络方法。反之，在可训练参数数量相似的情况下，我们的方法实现了更高的性能。通过为消息传递GNN提供高效且有效的替代方案，我们的工作扩展了基于图的机器学习技术工具箱。