基于广义意见动力学的图神经扩散
机器学习
2025-08-18 v1 人工智能
摘要
人们正在发展基于图神经网络 (GNN) 中信息传递机制与物理扩散过程联系的扩散方法，但现有方法面临三个关键局限：(1) 依赖于静态均匀扩散，限制了对多样图结构的适应性；(2) 深度受限于计算开销和解释力的下降；(3) 对收敛行为的理论理解仍不充分。为此，我们提出 GODNF，即广义意见动力学神经框架， 将多种意见动力学模型统一为原则且可训练的扩散机制。该框架通过节点特定行为建模和动态邻域影响，捕获异构扩散模式和时序动态，同时确保即使在深层也能实现高效且可解释的信息传递。我们提供严格的理论分析，表明 GODNF 能建模多样化的收敛配置。大量实证评估表明， GODNF 在节点分类和影响估计任务中优于最先进的 GNN。
引用
@article{arxiv.2508.11249,
title = {Graph Neural Diffusion via Generalized Opinion Dynamics},
author = {Asela Hevapathige and Asiri Wijesinghe and Ahad N. Zehmakan},
journal= {arXiv preprint arXiv:2508.11249},
year = {2025}
}