Gumbel-MPNN：基于 Gumbel-Softmax 的图重构
机器学习
2025-08-26 v1
摘要
图同质性被认为是消息传递神经网络（MPNN）在节点分类任务中的关键属性。最近的研究表明，性能更 closely 地与邻域类分布的一致性密切相关。我们展示了 MPNN 性能取决于整个邻域分布在类内的组件数目。通过将类分解为其邻域分布组件，我们增加了邻域分布的可信度度量，但未观察到 MPNN 性能的提升。我们提出一种基于 Gumbel-Softmax 的重构方法，以减少邻域分布中的偏差。我们的结果表明，新方法提高了邻域可信度，处理了长程依赖问题，缓解了过度压缩现象，并提高了 MPNN 的分类性能。代码已公开于 https://github.com/Bobowner/Gumbel-Softmax-MPNN。
关键词
引用
@article{arxiv.2508.17531,
title = {Gumbel-MPNN: Graph Rewiring with Gumbel-Softmax},
author = {Marcel Hoffmann and Lukas Galke and Ansgar Scherp},
journal= {arXiv preprint arXiv:2508.17531},
year = {2025}
}