通过拉普拉斯谱编码解决图神经过程中的节点可辨识性
机器学习
2025-11-25 v1 概率论
摘要
消息传递图神经网络广泛应用于图上的学习，但其表达能力受一维Weisfeiler-Lehman测试的限制，可能无法区分结构不同的节点。我们为一种不变于特征向量符号翻转且在特征子空间内保持基矢旋转的拉普拉斯位置编码提供严格理论。我们证明，这种编码可从常数数量的观察中实现节点可辨识性，并在受Weisfeiler-Lehman测试约束的架构之间建立了样本复杂度分离。分析结合了最短路径与扩散距离之间的单调关系、常数锚点集合的谱三角定位以及具有对数嵌入大小的定量谱单射性。作为实例，将这种编码与神经过程风格的解码器配合，可在化学图上的药物-药物相互作用任务中显著提升ROC曲线下面积和F1分数，展示了以原则位置信息解决理论表达性限制的实际效益。
引用
@article{arxiv.2511.19037,
title = {Resolving Node Identifiability in Graph Neural Processes via Laplacian Spectral Encodings},
author = {Zimo Yan and Zheng Xie and Chang Liu and Yuan Wang},
journal= {arXiv preprint arXiv:2511.19037},
year = {2025}
}