GraphMinNet：以轻量级最小架构学习图中的依赖关系
机器学习
2025-02-04 v1
摘要
图神经网络（GNNs）在各种应用中取得了显著成功，但它们常常难以有效捕获长程依赖（LRD）。本文介绍了GraphMinNet，这是一种新颖的GNN架构，它将最小门控循环单元的思想推广到图结构数据。我们的方法以线性计算复杂度实现了高效的LRD建模，同时保持了排列等变性和稳定性。该模型通过特征编码和位置编码的独特组合，融合了结构信息和位置信息，从而具有可证明的比1-WL测试更强的表达能力。理论分析表明，GraphMinNet在长距离上保持非衰减梯度，确保了有效的长程信息传播。在包括分子图、图像图和合成网络在内的十个多样化数据集上进行的大量实验表明，GraphMinNet在计算效率高的同时达到了最先进的性能。我们的结果显示在10个数据集中的6个上表现优越，在其他数据集上具有竞争力，验证了我们的方法在捕获局部和全局图结构方面的有效性。
引用
@article{arxiv.2502.00282,
title = {GraphMinNet: Learning Dependencies in Graphs with Light Complexity Minimal Architecture},
author = {Md Atik Ahamed and Andrew Cheng and Qiang Ye and Qiang Cheng},
journal= {arXiv preprint arXiv:2502.00282},
year = {2025}
}