学习异质性图的拉普拉斯位置编码
机器学习
2025-04-30 v1
摘要
本文在理论上表明，当前的图位置编码(PE)在涉及异质性图的任务中并不有益，甚至可能损害性能。在异质性图中，靠近的节点倾向于具有不同的标签。尽管许多真实网络都表现出异质性，甚至高度同质化的图也可能包含强异质性的局部区域。为解决这一局限性，我们提出了可学习的拉普拉斯位置编码(LLPE)，一种新的PE，它利用图的拉普拉斯算子的完整光谱，使其能够在同质化和异质化图之间捕获图结构。理论上，我们证明了LLPE能够近似一类通用的图距离，并展示了其泛化性能。实验上，我们在12个基准测试中评估了LLPE，在各种图神经网络(包括图变换器)上均能实现准确率提升，分别在人工合成图和真实图上分别提升最高可达35%和14%。本工作代表了向开发有效捕获异质性图中复杂结构的PE迈出的重要一步。
引用
@article{arxiv.2504.20430,
title = {Learning Laplacian Positional Encodings for Heterophilous Graphs},
author = {Michael Ito and Jiong Zhu and Dexiong Chen and Danai Koutra and Jenna Wiens},
journal= {arXiv preprint arXiv:2504.20430},
year = {2025}
}
备注
AISTATS 2025; version with full appendix