面向图神经网络的参数-free 结构多样性消息传递
机器学习
2026-02-17 v2
摘要
图神经网络(GNNs)在结构化数据建模任务中显示出显著性能, 但主流方法通常依赖大量可训练参数和固定的聚合规则, 使其难以适应结构异构性强且特征分布复杂的图数据, 这常导致节点表示的过度平滑和语义退化。为此, 本文提出一种基于结构多样性的参数-free 图神经网络框架, 称为 SDGNN(Structural-Diversity Graph Neural Network)。该框架受结构多样性理论启发, 设计了一种统一的结构多样性消息传递机制, 同时捕获邻域结构的异质性和特征语义的稳定性, 不引入额外可训练参数。不同于传统参数化方法, SDGNN 不依赖复杂的模型训练, 而是利用结构驱动和特征驱动视角的互补建模, 从而有效提升跨数据集和场景的适应性。实验结果表明, 在八个公开基准数据集和一个跨学科的 PubMed 引用网络上, 在面临低监督、类别不平衡和跨域迁移等挑战条件时, SDGNN 均一致优于主流 GNNs。本工作提供了一种新的理论视角和通用方法, 以用于参数-free 图神经网络的设计, 并进一步验证了结构多样性作为图表示学习核心信号的重要性。为促进可重复性和进一步研究, SDGNN 的完整实现已发布于: https://github.com/mingyue15694/SGDNN/tree/main
引用
@article{arxiv.2508.19884,
title = {Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks},
author = {Mingyue Kong and Yinglong Zhang and Chengda Xu and Xuewen Xia and Xing Xu},
journal= {arXiv preprint arXiv:2508.19884},
year = {2026}
}
备注
50 pages, 6 figures