重访预传播图神经网络：鲁棒扩散算子与隐藏状态再传播
机器学习
2026-05-26 v1
摘要
预传播图神经网络（PPGNN）分离节点特征的传播与转换：图扩散在预处理中执行一次，训练简化为稠密的 per-node 转换。这一设计使 mini-batch 训练无需节点间依赖，避免重复的稀疏矩阵-矩阵乘法，更符合优化稠密计算的现代加速器。然而，它们的表达性仍不清晰，实证结果显示 PPGNN 与其消息传递对手在常用图基准测试（尤其是异构性图）上的性能存在差距。在本文中，我们提出了一套用于预处理的鲁棒图扩散算子，以及在训练期间进行的少量隐藏状态再传播方案。我们的方法提高了 PPGNN 的验证和测试准确率，使其能够在保持训练效率的同时匹配消息传递 GNN 的准确率。
引用
@article{arxiv.2605.25111,
title = {Revisiting Pre-Propagation GNNs: Robust Diffusion Operators and Hidden-State Re-Propagation},
author = {Zichao Yue and Zhiru Zhang},
journal= {arXiv preprint arXiv:2605.25111},
year = {2026}
}