探索与改进基于图神经网络的图谱估计
机器学习
2025-07-11 v3 人工智能
摘要
图神经网络（GNN）是图表示学习的主要方法之一。然而，除了子图频率估计外，其在网络图式显著性概轮廓（SP）预测中的应用仍属探索阶段，文献中尚无确立的基准。我们提出解决该问题的方案，将SP估计建模为独立于子图频率估计的任务。我们的做法从频率计数转向直接SP估计，并将问题调制为多目标回归。这种改造在可解释性、稳定性和大型图上的可扩展性方面得到优化。我们使用大型合成数据集进行验证，并进一步在真实图上进行测试。我们的实验表明，1-WL限制模型在精确估计SP方面存在困难，但通过比较其预测的SP与来自合成生成器的SP，可以对网络的图生成过程进行近似估计。这一首个针对GNN基图式估计的研究也暗示了直接SP估计如何帮助突破通过子图计数进行图式估计时所面临的理论局限。
引用
@article{arxiv.2506.15709,
title = {Studying and Improving Graph Neural Network-based Motif Estimation},
author = {Pedro C. Vieira and Miguel E. P. Silva and Pedro Manuel Pinto Ribeiro},
journal= {arXiv preprint arXiv:2506.15709},
year = {2025}
}
备注
This manuscript represents a revised version from the paper on https://openreview.net/forum?id=PZVVOeu6xx. Still a work in progress. Comments are welcome! 23 pages (12 main text + references), 9 figures, 5 tables. (Second update: More accurate Table 4, Run time comparisons.)