从谱视角应对图神经网络在生物数据上的尺寸泛化问题
机器学习
2025-08-04 v5 人工智能
摘要
我们解决了图神经网络（GNNs）中由尺寸引起的分布偏移这一关键挑战，及其对 GNN 泛化到更大图的影响。现有文献对分布偏移持有不同假设，导致关于 GNN 可泛化性的结论不一。与先前工作不同，我们采用数据驱动的方法来识别并刻画由尺寸引起的分布偏移的类型，并从谱的角度探究其对 GNN 性能的影响，这一视角在很大程度上未被充分探索。利用真实生物数据集中图尺寸的显著方差，我们分析生物图并发现，由子图模式（如平均环长）驱动的谱差异，与 GNN 在更大的未见图上的性能强相关。基于这些洞察，我们提出了三种模型无关的策略以增强 GNN 对关键子图模式的感知，其中将尺寸密集型注意力确定为最有效方法。使用六种 GNN 架构和七种模型无关策略在五个数据集上的大量实验表明，我们的尺寸密集型注意力策略在测试图比训练图大 2 至 10 倍的情况下显著提升了图分类性能，相较强基线将 F1 分数提高了至多 8%。
引用
@article{arxiv.2305.15611,
title = {Tackling Size Generalization of Graph Neural Networks on Biological Data from a Spectral Perspective},
author = {Gaotang Li and Danai Koutra and Yujun Yan},
journal= {arXiv preprint arXiv:2305.15611},
year = {2025}
}
备注
KDD 2025