面向图神经网络的经典算法利用
机器学习
2025-10-27 v1
摘要
神经网络在处理非结构化数据方面表现出色，但往往难以在分布外情况下泛化，而经典算法则保证正确性但缺乏灵活性。我们探讨了在Clrs算法推理基准测试中的24个经典算法上预训练图神经网络(GNN)，以提高其在来自Open Graph Benchmark的分子属性预测任务上的性能，这些任务包括ogbg-molhiv(HIV抑制)和ogbg-molclintox(临床毒性)。使用在经典算法上预训练的GNN用于初始化和冻结第二个GNN的选定层进行分子预测。相对于随机初始化的基线，预训练模型在一致上取得胜利或持平，其中Segments Intersect算法的预训练在ogbg-molhiv上实现了6个绝对百分点的提升，Dijkstra预训练在ogbg-molclintox上实现了3个百分点的提升。这些结果表明，将经典算法先验嵌入GNN可提供有用的归纳偏置，提高了在复杂真实图数据上的性能。
引用
@article{arxiv.2510.21574,
title = {Leveraging Classical Algorithms for Graph Neural Networks},
author = {Jason Wu and Petar Veličković},
journal= {arXiv preprint arXiv:2510.21574},
year = {2025}
}