基于分布核的无优化图嵌入：用于社区检测的优化-free 方法
机器学习
2026-02-17 v1
摘要
Neighborhood Aggregation Strategy (NAS) 是图嵌入中广泛使用的方法，支撑着Graph Neural Networks (GNNs)和Weisfeiler-Lehman (WL)方法。然而，NAS-based方法容易出现过平滑——即随迭代次数增加导致节点可区分性丧失——从而限制了其有效性。本文确定了网络中两种特征，即节点分布和节点度分布，这些特征对表征力度至关重要，但被现有方法所忽视。我们表明，这些被忽视的特征对NAS方法的过平滑贡献显著。为此，我们提出一种新型加权分布感知核，嵌入节点时考虑其分布特征。我们的方法具有三个区别特征：(1)首次显式包含两种分布特征；(2)无需优化；(3)有效缓解了过平滑的不良影响，使WL在大量嵌入迭代后仍能保持节点可区分性和表征力度。实验表明，我们的方法通过谱聚类实现了优异的社区检测性能，在标准基准测试中超越了包括深度学习方法在内的现有图嵌入方法。
关键词
引用
@article{arxiv.2602.13634,
title = {Optimization-Free Graph Embedding via Distributional Kernel for Community Detection},
author = {Shuaibin Song and Kai Ming Ting and Kaifeng Zhang and Tianrun Liang},
journal= {arXiv preprint arXiv:2602.13634},
year = {2026}
}