RAwR：基于近似等划分的角色感知重连
机器学习
2026-05-12 v1 人工智能
社会与信息网络
摘要
尽管图神经网络 (GNN) 在依赖局部邻域信息的节点分类任务中展现出显著效能，但当预测任务依赖长程交互时，GNN 的性能往往会下降。这些局限性源于过度挤压等现象，即结构瓶颈限制了信号在网络拓扑中的传播。为应对这一挑战，我们引入了 RAwR，这是一种计算高效的重连框架，通过使用从等划分导出的商图来扩充输入图。该方法促进了在 Weisfeiler-Leman 图染色中被识别为具有相同结构角色的节点间的加速通信，从而降低了系统的总有效电阻。此外，通过采用近似等划分的定义，RAwR 实现了对商图的可控缩减，在其最精简状态下可恢复为传统的 Master Node 重连技术。在包含同配、异配及合成长程数据集的多样化基准测试上的实证评估表明，RAwR 取得了 SOTA 结果。我们进一步通过使用线性 GNN 的师生模型的分析研究为该贡献提供支持，阐明了基于角色的重连的理论基础。该分析引出了谱角色提升 (Spectral Role Lift, SRL) 的提出，这是一种旨在识别最优近似等划分以最大化预测性能的度量。
引用
@article{arxiv.2605.09457,
title = {RAwR: Role-Aware Rewiring via Approximate Equitable Partition},
author = {Riccardo Porcedda and Giuseppe Squillace and Bastian Epping and Andrea Vandin and Michael Schaub and Mirco Tribastone and Francesca Chiaromonte},
journal= {arXiv preprint arXiv:2605.09457},
year = {2026}
}