基于PAC-Bayes谱优化的Sheaf图神经网络
机器学习
2025-11-11 v2
摘要
图神经网络（GNN）中的过平滑问题在异质性图上尤为突出，后者常存在相邻节点标签不相似的情况。虽然sheaf神经网络在一定程度上缓解了这一问题，但它们通常依赖于静态或参数化严格的sheaf结构，这会限制模型的泛化能力和可扩展性。现有的基于sheaf的模型要么预定义限制映射，要么引入过多的复杂性，却未能提供严格的稳定性保证。本文引入一种新方案，称为SGPC（Sheaf GNNs with PAC-Bayes Calibration），这是一种统一的架构，将细胞sheaf消息传递与若干机制相结合，包括基于最优传输的提升、方差降低扩散和PAC-Bayes谱正则化，以实现稳健的半监督节点分类。我们在理论上建立了性能界限，证明在线性计算复杂度下进行的端到端训练即可实现所述界限感知的目标函数。实验在九个 homophilic 和 heterophilic 基准数据集上进行，结果表明SGPC在精度上超过了最新的谱方法和基于sheaf的GNN，同时为不可见节点的预测提供了认证的置信区间。代码与证明已上传至 https://github.com/ChoiYoonHyuk/SGPC。
引用
@article{arxiv.2508.00357,
title = {Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization},
author = {Yoonhyuk Choi and Jiho Choi and Chong-Kwon Kim},
journal= {arXiv preprint arXiv:2508.00357},
year = {2025}
}
备注
AAAI 2026