GNN中的图重铺设：缓解过度压扁与过度平滑的综述
机器学习
2026-05-05 v1 人工智能
摘要
图神经网络是用于学习图结构数据的最强模型，但其有效性常受到两个关键挑战的限制：过度压扭（over-squashing），即来自远距离节点的信息被过度压缩；过度平滑（over-smoothing），即重复传递导致节点表示难以区分。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，最终降低信息流并限制GNN的性能。本综述 examines 图重铺设技术，这是一类旨在修改图拓扑结构以增强GNN中信息传播的方法。我们提供了最新重塑方法的全面回顾，深入探讨了其理论基础、实际实现和性能权衡。
引用
@article{arxiv.2605.00951,
title = {Graph Rewiring in GNNs to Mitigate Over-Squashing and Over-Smoothing: A Survey},
author = {Hugo Attali and Nathalie Pernelle and Davide Buscaldi and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2605.00951},
year = {2026}
}
备注
Accepted at the International Joint Conference on Artificial Intelligence (IJCAI 2026), Survey Track