面向大规模图神经网络表达性的属性驱动评估：数据集、框架与研究
机器学习
2026-03-03 v1 人工智能
软件工程
摘要
推进可信赖AI的发展需要原则化的软件工程方法来进行模型评估。图神经网络（GNN）在处理图结构数据方面取得了显著成功，但其在捕捉基本图属性的表达性方面仍是一个开放性挑战。我们通过开发基于形式规范、系统评估和经验研究的属性驱动评估方法来解决这一问题。利用Alloy，这是一种软件规范语言和分析器，我们引入一个可配置的图数据集生成器，产生两种数据集族：GraphRandom包含满足或违反特定属性的多样化图；GraphPerturb引入受控的结构变异。这些基准涵盖336个新数据集，每个数据集包含至少10,000个标记图，覆盖分布式系统、知识图谱和生物网络等领域的16个基本图属性。我们提出了一种通用评估框架，用于评估GNN表达性的三个关键方面：可解释性、灵敏性和鲁棒性，引入两种新颖的定量指标。使用该框架，我们进行了关于全局池化方法对GNN表达性影响的首次全面研究。我们的发现揭示了不同权衡：注意力池化在可解释性和鲁棒性方面表现突出，而二阶池化在灵敏性方面提供更佳表现，但没有单一方法在所有属性上都表现一致。这些见解凸显了基本局限性，并开启了包括自适应属性感知池化、规模敏感体系结构和鲁棒性导向训练等新研究方向。通过将软件工程严谨性嵌入AI评估，该工作为开发表达性强且可靠的GNN体系结构奠定了原则基础。
引用
@article{arxiv.2603.00044,
title = {Property-Driven Evaluation of GNN Expressiveness at Scale: Datasets, Framework, and Study},
author = {Sicong Che and Jiayi Yang and Sarfraz Khurshid and Wenxi Wang},
journal= {arXiv preprint arXiv:2603.00044},
year = {2026}
}