基于编码嵌入驱动的图神经网络以提升节点学习性能
机器学习
2026-02-24 v2 机器学习
摘要
图神经网络（Graph Neural Networks，简称 GNNs）已成为解决节点级别图学习任务的强大框架。然而，其性能通常依赖于随机或最少信息的初始特征表示，其中差好的初始化可能导致收敛速度变慢和训练不稳定。本文通过利用统计学依据的单热图编码嵌入（Graph Encoder Embedding，简称 GEE）作为高质量、结构感知的初始化来克服这一限制，将 GEE 集成到标准 GNNs 中，形成 GEE-powered GNN（GG）框架。在大量仿真和真实基准测试中，GG 在无监督和监督设置下均能提供一致且显著的性能提升。对于节点分类，我们进一步引入 GG-C，通过拼接 GG 和 GEE 的输出，超过对手方法，实现了大多数数据集上约 10%~50% 的准确率提升。这些结果表明，原则性且结构感知的初始化对提高图神经网络架构的效率、稳定性和整体性能至关重要，使模型能够从一开始就更好地利用图拓扑结构。
引用
@article{arxiv.2507.11732,
title = {Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning},
author = {Shiyu Chen and Cencheng Shen and Youngser Park and Carey E. Priebe},
journal= {arXiv preprint arXiv:2507.11732},
year = {2026}
}