P-DROP：面向图神经网络的基于泊松过程的 Dropout

Hyunsik Yun

P-DROP：面向图神经网络的基于泊松过程的 Dropout

机器学习 2025-05-29 v1

作者: Hyunsik Yun

摘要

过平滑仍然是图神经网络（GNNs）面临的一项重大挑战，其中反复的消息传递导致节点表示收敛并丧失判别能力。为了解决这一问题，我们提出了一种基于泊松过程的节点选择策略，引入了随机但结构感知的更新。具体而言，我们为每个节点配备一个独立的泊松时钟，从而实现保持结构多样性的异步和局部化更新。我们探索了该策略的两种应用：作为基于 Dropout 的正则化的替代，以及作为动态子图训练方案。在标准基准（Cora、Citeseer、Pubmed）上的实验结果表明，与传统的 Dropout、DropEdge 和 DropNode 方法相比，我们基于泊松过程的方法产生了具有竞争力或更优的准确率，特别是在训练后期阶段。

关键词

图神经网络过平滑泊松过程 Dropout 节点选择策略动态子图训练

引用

@article{arxiv.2505.21783,
  title  = {P-DROP: Poisson-Based Dropout for Graph Neural Networks},
  author = {Hyunsik Yun},
  journal= {arXiv preprint arXiv:2505.21783},
  year   = {2025}
}

备注

10 pages, 9 figures

P-DROP：面向图神经网络的基于泊松过程的 Dropout

摘要

关键词

引用

备注

相关论文