通过桁架方法消除图神经网络中的过平滑：一种基于桁架的稀疏化方法
机器学习
2025-08-26 v1 人工智能
摘要
图神经网络 (GNN) 通过编码网络在社交到生物网络等各种领域中编码有意义的拓扑结构，实现了节点级和图级任务的巨大成功。然而，重复的聚合操作会导致节点表示在密集区域过度混合，特别是当多个GNN层一起作用时，导致嵌入几乎不可区分。这一现象导致过平滑问题，妨碍下游图分析任务。为克服此问题，我们提出一种新颖且灵活的基于桁架的图稀疏化模型，从图的密集区域修剪边缘。修剪密集区域中冗余的边缘有助于防止在GNN模型的层次消息传递和池化期间对过多邻域信息进行聚合。我们将我们的稀疏化模型用于最先进的基线GNN模型和池化模型，如GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool和AdamGNN。在不同真实数据集上的大量实验表明，我们的模型显著改进了基线GNN模型在图分类任务中的性能。
引用
@article{arxiv.2407.11928,
title = {Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach},
author = {Tanvir Hossain and Khaled Mohammed Saifuddin and Muhammad Ifte Khairul Islam and Farhan Tanvir and Esra Akbas},
journal= {arXiv preprint arXiv:2407.11928},
year = {2025}
}