基于图拉普拉斯算子谱性质预测图卷积网络性能
机器学习
2025-09-11 v2
摘要
在图卷积网络 (GCN) 文献中，一个常见观察是堆叠GCN层是否会在节点分类和边缘预测等任务上获得更好的性能。我们发现，图的代数连通性（即Fiedler值）是GCN性能的良好预测器。直观地说，具有相似Fiedler值的图具有类似的结构特性，表明用于GCN的相同滤波器和超参数可能产生类似结果，并且在Fiedler值相似的图之间进行迁移学习可能更为有效。我们对此进行理论和实证探索，包括在合成数据和真实图数据（如Cora、CiteSeer和Polblogs数据集）上的实验。我们探索了多种方法，用于聚合图中各连通分量的Fiedler值，以得到整个图的值，并展示了它可以用于预测GCN性能。我们还提出了Fiedler值是良好预测器的理论依据。
引用
@article{arxiv.2508.12993,
title = {Predicting the Performance of Graph Convolutional Networks with Spectral Properties of the Graph Laplacian},
author = {Shalima Binta Manir and Tim Oates},
journal= {arXiv preprint arXiv:2508.12993},
year = {2025}
}
备注
9 pages, 3 figures