通过预处理图扰动实现可扩展表达性

图神经网络（GNN）已成为分析图结构数据的最主流方法。然而，标准 GNN 的表达能力有限，泛化能力也受限，从而催生了更具表达力但计算密集型方法的发展。一种此类方法是创建输入图的一系列扰动版本，然后在训练期间对所有变体反复进行消息传递。尽管具备强大的表达能力，但该方法在大型图上难以实现可扩展性。为解决此可扩展性问题，我们提出 Scalable Expressiveness through Preprocessed Graph Perturbation（SE2P）。该模型提供了可配置的可扩展性与通用性之间的灵活平衡，包含四种不同的配置类别。在一个极端，配置优先考虑可扩展性，通过最小可学习特征提取和广泛预处理实现；在另一个极端，它通过更多可学习特征提取来增强通用性，尽管会增加可扩展性成本。我们在真实世界数据集上对 SE2P 变体进行大量实验，以评估其通用性和可扩展性相较于各种最新基准的表现。我们的结果表明，根据所选的 SE2P 配置，该模型可在基准模型之上提升通用性，同时实现最高可达 8 倍的显著加速。