面向图神经网络的个性化图层选择
机器学习
2025-06-19 v2
摘要
图神经网络（GNN）将节点周围局部图结构在固定尺度上进行属性组合，以预测其标签。然而，不同节点可能以不同的尺度关联节点级属性，而对所有节点使用相同的平滑程度可能损害其分类效果。本文挑战了单一 GNN 层即可分类整个图中所有节点的常规观念，通过为每个节点训练具有不同图层的 GNN 来实现个性化图层选择。受度量学习启发，我们提出了一种新型算法 MetSelect1，用于为每个节点选择最优表示图层。在具体做法中，我们识别每个类别在转换后的 GNN 图层中的原型表示，然后在归一化该图层方差后，使用距离到最近原型的图层进行分类。实验在 10 个数据集和 3 种不同 GNN 上表明，我们以无缝集成的方式显著提升了 GNN 的节点分类准确率。我们还发现，可变图层进行预测使 GNN 能够更深且更抗毒。我们希望本工作能够激发未来研究者开发更自适应和个性化的图表示方法。
引用
@article{arxiv.2501.14964,
title = {Personalized Layer Selection for Graph Neural Networks},
author = {Kartik Sharma and Vineeth Rakesh and Yingtong Dou and Srijan Kumar and Mahashweta Das},
journal= {arXiv preprint arXiv:2501.14964},
year = {2025}
}