ScaleGNN：通过自适应高阶邻域特征融合实现可扩展图神经网络
机器学习
2026-03-10 v6
摘要
图神经网络(GNNs)通过消息传递捕获复杂节点关系，在各种基于图的任务上显示出惊人的性能。然而，在大规模真实世界图上，GNNs面临两个主要挑战：(1) GNNs 在重复聚合大型邻域时难以确保可扩展性和效率，计算开销显著；(2) GNNs 受到过平滑的影响，过度传播会导致节点表示难以区分，阻碍模型表达能力。为解决这些问题，我们提出了 ScaleGNN，通过自适应融合多跳节点特征实现可扩展且有效的图学习。我们首先计算每个跳的纯邻域矩阵，以隔离独特的结构信号，然后应用轻量级融合来平衡低阶和高阶信息，既保留局部细节又保持全局关联。为了控制冗余和过平滑，我们引入基于局部贡献得分(LCS)的掩码以修剪低相关性的高阶邻居，并施加可学习稀疏性以选择性地整合有价值的多跳特征。大量实验表明，ScaleGNN 在预测准确率和计算效率方面均 consistently 优于最先进的 GNNs。
引用
@article{arxiv.2504.15920,
title = {ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion},
author = {Xiang Li and Jianpeng Qi and Haobing Liu and Yuan Cao and Guoqing Chao and Zhongying Zhao and Junyu Dong and Xinwang Liu and Yanwei Yu},
journal= {arXiv preprint arXiv:2504.15920},
year = {2026}
}