ChebNet 的返归：理解与提高在长程任务上的忽略的图神经网络
机器学习
2025-10-27 v2
摘要
ChebNet 是最早的谱图神经网络之一，鲜少被 Message Passing Neural Networks (MPNNs) 所超越后者因其简单性与在捕获局部图结构方面的有效性而广为人知。尽管二者取得了成功，但 MPNNs 在捕获节点之间长程依赖方面受限。这导致研究者通过改造 MPNNs 或采用 Graph Transformer 来弥补，牺牲了早期空间消息传递架构的计算效率，通常也忽视图结构。十年过后，我们重访 ChebNet 以阐明其建模远距离节点相互作用的能力。我们发现，开箱即用的 ChebNet 在长程基准任务上相对于经典 MPNNs 与 GTs 已展现竞争优势，同时保持良好的可扩展性。然而，我们发现该多项式展开导致 ChebNet 在训练期间处于不稳定状态。为此，我们将 ChebNet 视为稳定且非耗散的动力系统，称为 Stable-ChebNet。我们的 Stable-ChebNet 模型实现稳定的信息传播，且具备可控的动力学特性，无需采用特征分解、位置编码或图改造。跨越多个基准测试，Stable-ChebNet 达到了接近最佳性能的水平。
引用
@article{arxiv.2506.07624,
title = {Return of ChebNet: Understanding and Improving an Overlooked GNN on Long Range Tasks},
author = {Ali Hariri and Álvaro Arroyo and Alessio Gravina and Moshe Eliasof and Carola-Bibiane Schönlieb and Davide Bacciu and Kamyar Azizzadenesheli and Xiaowen Dong and Pierre Vandergheynst},
journal= {arXiv preprint arXiv:2506.07624},
year = {2025}
}