基于带负修正的谱图神经网络的 InfraredGP：高效图划分
机器学习
2025-08-28 v1 社会与信息网络
摘要
图划分 (Graph Partitioning, GP)，即社区检测，是将图中节点划分为密集连接块的经典问题。从图信号处理的角度，我们发现，带负修正的图拉普拉斯算子可以推导出图频率超出常规范围 的频率。为探讨低频信息是否包含有关社区结构的更有信息量的属性，我们提出了 InfraredGP。该方法 (1) 采用谱图神经网络作为骨干网络，结合低通滤波器和负修正机制；(2) 仅向该骨干网络输入随机数据；(3) 通过一次前向传播 (Feed-Forward Propagation, FFP) 推导出图嵌入，无需任何训练；(4) 将得到的嵌入输入到 BIRCH 中，获取可行的图划分结果。令人惊讶的是，我们的实验表明，仅凭负修正机制放大 范围之外的低频信息，InfraredGP 便能为某些标准聚类模块（如 BIRCH）推导出可区分的嵌入，并在无需任何训练的情况下获得高质量的图划分结果。遵循 IEEE HPEC Graph Challenge 基准，我们对 InfraredGP 在静态图划分和流式图划分进行评估，其中 InfraredGP 在各种基线上实现了显著更高的效率（例如快 16 倍至 23 倍）和具竞争力的质量。我们已在 https://github.com/KuroginQin/InfraredGP 上公开代码。
引用
@article{arxiv.2508.19737,
title = {InfraredGP: Efficient Graph Partitioning via Spectral Graph Neural Networks with Negative Corrections},
author = {Meng Qin and Weihua Li and Jinqiang Cui and Sen Pei},
journal= {arXiv preprint arXiv:2508.19737},
year = {2025}
}