图上纳维尔-斯托克斯网络
机器学习
2026-05-26 v2
摘要
图神经网络 (GNN) 已成为深度学习的基石，其大多数现有方法根植于图信号处理和扩散方程，以建模消息传递。然而，这些方法本质上存在过平滑问题，即随网络深度增加，节点特征变得不可区分。灵感来自纳维尔-斯托克斯方程，我们提出图上纳维尔-斯托克斯网络 (Graph Navier Stokes Networks, GNSN)，一种超越常规扩散基于的消息传递架构的新方法，通过在图结构中融合对流过程实现。GNSN 在图上定义动态速度场以统治对流，从而实现更高效、更直接的消息传递。通过可适应地平衡对流与扩散，GNSN 能够有效处理各异程度同质性的数据集。广泛的评估在十二个真实数据集上表明，GNSN 在分类准确率上始终优于最先进的基线方法。此外，实验结果进一步突显其在缓解过平滑问题方面的有效性。
关键词
引用
@article{arxiv.2605.21247,
title = {Graph Navier Stokes Networks},
author = {Zexing Zhao and Guangsi Shi and Yu Gong and Tianyu Wang and Shirui Pan and Hongye Cheng and Yuxiao Li},
journal= {arXiv preprint arXiv:2605.21247},
year = {2026}
}