自适应图混合模型
机器学习
2026-02-13 v2 人工智能
摘要
图神经网络（GNN）已成为处理图结构数据强大的工具，但最近的研究表明其性能提升正逐渐趋于平台。在许多情况下，经过适当调优的既有模型如 GCN 和 GAT 可以与或甚至超过更复杂、最先进的架构。这一趋势凸显了当前格局的一个关键局限：为给定图任务或数据集选择最合适模型的困难。为此，我们提出自适应图混合模型（SAGMM），一个模块化且实用的框架，学习如何自动从多样化的模型池中选择并组合最合适的 GNN 模型。不同于依赖单一基模型变体的先前混合专家方法，SAGMM 利用架构多样性和基于拓扑感知的注意力门控机制，根据输入图的结构为每个节点自适应分配专家。为提高效率，SAGMM 包括一种剪枝机制，在训练和推理期间无需牺牲性能即可减少活跃专家数量。我们还探索了一种训练效率更高的变体，其中专家模型被预训练和冻结，仅训练门控和任务特定层。在 16 个覆盖节点分类、图分类、回归和链路预测任务的基准数据集上评估 SAGMM，结果表明其在性能上一致优于或相当于领先的 GNN 基准和先前混合方法，为实际图学习提供了稳健且自适应的解决方案。
关键词
引用
@article{arxiv.2511.13062,
title = {Self-Adaptive Graph Mixture of Models},
author = {Mohit Meena and Yash Punjabi and Abhishek A and Vishal Sharma and Mahesh Chandran},
journal= {arXiv preprint arXiv:2511.13062},
year = {2026}
}
备注
Accepted by AAAI 2026