TANGO：基于学习能量与切向流的图神经动力学
机器学习
2025-08-08 v1
摘要
我们提出 TANGO——一个受动力系统启发的图表示学习框架，通过学习的能量景观及其相关的下山动力学来 govern 节点特征的演化。我们方法的核心是对节点嵌入的可学习 Lyapunov 函数，其梯度定义能量减少的方向，确保收敛和稳定性。为提升灵活性同时保持能量动力学的优势，我们引入 novel 切向分量，通过信息传递学习实现特征演化，同时保持能量值不变。这种对能量梯度下降与切向演化进行正交分解，yielded 一种灵活的图动力学形式，enable 在能量区域平坦或条件不佳时有效地进行信号传递，这些区域在图学习中经常出现。我们的 method 缓解了过度压缩现象，且与不同的图神经网络主干兼容。经验上，TANGO 在 diverse 的节点和图分类及回归基准上实现了卓越的性能，表明 jointly 学习能量函数和切向流对于图神经网络是有效的。
关键词
引用
@article{arxiv.2508.05070,
title = {TANGO: Graph Neural Dynamics via Learned Energy and Tangential Flows},
author = {Moshe Eliasof and Eldad Haber and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2508.05070},
year = {2025}
}