层次多尺度图神经网络：可扩展的异构学习中的过平滑与过压制
机器学习
2026-05-13 v1 人工智能
摘要
具有异构性的图（相邻节点携带不同标签）在从社交网络到分子相互作用等实际应用中广泛存在。然而，现有的谱图神经网络（GNN）方法针对异构图分类存在主导聚合（节点度大的聚合）和过平滑问题，其次优多项式滤波器引入近似误差并混合远距离信号。为解决度偏置聚合和次优多项式滤波问题，我们引入了一种层次多视图 Haar（HMH）框架，这是一种可实现近线性时间扩展的新型谱图学习方法。HMH 首先通过异构性感知编码器学习特征和结构感知的带符号亲和力，然后构建由这些嵌入引导的软图层次结构。在每个层次级别处，HMH 构建稀疏、正交且局域感知的 Haar 基，应用可学习的频谱滤波器。最后，跳跃连接解池层将来自所有层次级别的输出组合回原始图，从而有效防止主导聚合和长程信号瓶颈（过压制）。实验表明，HMH 在节点分类和图分类数据集上均优于最先进的谱基准，分别实现了最高可达 3% 和 7% 的提升，同时保持线性可扩展性。
引用
@article{arxiv.2605.10975,
title = {Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation},
author = {Md Sazzad Hossen and Avimanyu Sahoo},
journal= {arXiv preprint arXiv:2605.10975},
year = {2026}
}