面向节点分类的路由熵正则化消息传递专家混合模型
机器学习
2025-11-13 v2 社会与信息网络
摘要
图神经网络（GNN）已在基于图的学习任务中取得了显著进展，但在面对连接节点在特征和标签上差异较大的异配结构时，其性能往往会下降。为解决这一局限，我们提出了 GNNMoE，一种新型的基于熵驱动的消息传递专家混合框架，可实现节点级自适应表示学习。GNNMoE 将消息传递分解为传播和变换操作，并通过混合路由机制引导多个专家网络进行集成。路由熵正则化可动态调整软加权与软 top-k 路由，使 GNNMoE 能够灵活适应多样化的邻域上下文。在十二个基准数据集上的大量实验表明，GNNMoE 在节点分类任务上持续优于 SOTA 方法，同时保持了可扩展性与可解释性。本工作为实现细粒度、个性化的节点表示学习提供了一种统一且原理驱动的方法。
引用
@article{arxiv.2502.08083,
title = {Mixture of Message Passing Experts with Routing Entropy Regularization for Node Classification},
author = {Xuanze Chen and Jiajun Zhou and Yadong Li and Jinsong Chen and Shanqing Yu and Qi Xuan},
journal= {arXiv preprint arXiv:2502.08083},
year = {2025}
}