MoSE：通过子图专家混合模型揭示图结构模式
机器学习
2025-09-12 v1 人工智能
摘要
虽然图神经网络（GNN）在从图结构数据中学习方面取得了巨大成功，但其依赖于局部、成对的消息传递，限制了其捕获复杂、高阶子图模式的能力，导致结构表达性不足。最近的努力尝试通过整合随机漫步核函数来增强结构表达性。然而，这些方法本质上是为图级任务设计的，这限制了其适用于节点分类等其他下游任务。此外，这些方法的固定核配置阻碍了模型捕获多样化子图结构的灵活性。为此，本文提出一种 novel Mixture of Subgraph Experts (MoSE) 框架，用于灵活且富有表现力的子图基础表示学习，适用于多样化图任务。具体而言，MoSE 通过匿名漫步提取有信息的子图，并根据结构语义动态将其路由到 specialized experts，实现对多样化子图模式的捕获，提高了灵活性和可解释性。我们进一步在 Subgraph Weisfeiler-Lehman（SWL）测试中对 MoSE 的 expressivity 进行理论分析，证明其比 SWL 更有力。大量实验结果以及对所学习子图专家的可视化表明，MoSE 不仅优于竞争基线，还为模型所学习的结构模式提供了可解释见解。
引用
@article{arxiv.2509.09337,
title = {MoSE: Unveiling Structural Patterns in Graphs via Mixture of Subgraph Experts},
author = {Junda Ye and Zhongbao Zhang and Li Sun and Siqiang Luo},
journal= {arXiv preprint arXiv:2509.09337},
year = {2025}
}
备注
16 pages, 11 figures