基于扩散距离引导的压力最大化重新思考消息传递神经网络
机器学习
2025-11-26 v1
摘要
消息传递神经网络（MPNN）在过去十年里已成为学习图结构数据的首选模型。尽管其有效性卓著，但大多数此类模型仍严重存在过平滑和过相关问题，这源于其最小化Dirichlet能且衍生的邻域聚合操作的底层目标。本文我们提出DDSM，一种基于包含压力最大化和正交正则化的优化框架构建的新型MPNN，以克服上述问题。进一步，我们将节点扩散距离引入该框架以引导新的消息传递操作并开发高效算法进行距离近似，两者均受到严格的理论分析支撑。我们的全面实验表明，DDSM在 homophilic 和 heterophilic 图上均一致且显著地 outperform 15个强基准。
引用
@article{arxiv.2511.19984,
title = {Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization},
author = {Haoran Zheng and Renchi Yang and Yubo Zhou and Jianliang Xu},
journal= {arXiv preprint arXiv:2511.19984},
year = {2025}
}
备注
Accepted by SIGKDD 2026. The code is available at https://github.com/HaoranZ99/DDSM