基于不变性的图基准诊断工具
机器学习
2026-05-08 v1 组合数学
摘要
图基础模型的进展受到基准实践的制约，这些实践将节点特征和图结构的贡献混合在一起，使得难以判断模型是否真正从连通性中学习，或者是否根本不需要。我们提出使用图不变量来解决这一问题，即置换不变的、任务无关的结构描述符，可作为图基准的诊断框架。我们表明：(i) 不变量的表达能力优于标准图神经网络；(ii) 不变量描述图在不同基准数据集内部及跨数据集之间的结构异质性；(iii) 不变量预测多任务性能；以及(iv) 基于不变量的简单模型在26个数据集上与变换器和消息传递基线相当，甚至超过。我们的结果表明，表达力量并非预测性能的主要驱动因素，在结构重要的任务中，非可训练的结构代理常常能与训练过的消息传递模型相匹配。我们因此认为，基于不变量的基线应成为评估结构是否为任务所必需，以及模型是否捕捉到结构的标准工具，作为图基础模型发展的一步。
引用
@article{arxiv.2605.06462,
title = {Invariant-Based Diagnostics for Graph Benchmarks},
author = {Richard von Moos and Mathieu Alain and Bastian Rieck},
journal= {arXiv preprint arXiv:2605.06462},
year = {2026}
}