图神经网络中的图重构技术：缓解过度压缩与过度平滑的综述
机器学习
2026-05-04 v2 人工智能
摘要
图神经网络是一种用于从图结构数据中学习的强大模型, 但其有效性常受到两个关键挑战的限制: 过度压缩 (over-squashing), 即来自远距离节点的信息被过度压缩; 过度平滑 (over-smoothing), 即经过多次传播后使节点表示几乎不可区分. 这两种现象都源于消息传递与输入拓扑结构之间的相互作用, 最终削弱信息流并限制图神经网络的性能. 本综述 examines 图重构技术, 这是一类旨在修改图拓扑结构以增强图神经网络中信息传播的方法. 我们提供了最新重构方法的全面综述, 深入探讨其理论基础、实际实现以及性能权衡.
引用
@article{arxiv.2411.17429,
title = {Graph Rewiring in GNNs to Mitigate Over-Squashing and Over-Smoothing: A Survey},
author = {Hugo Attali and Davide Buscaldi and Nathalie Pernelle and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2411.17429},
year = {2026}
}
备注
Accepted at the International Joint Conference on Artificial Intelligence (IJCAI 2026), Survey Track