从多个 GNN 教师传递知识到 Kolmogorov-Arnold 网络
机器学习
2025-08-12 v1
摘要
图神经网络 (GNN) 在处理图结构数据方面表现出色，但其对图连接性的依赖常常限制了可扩展性和效率。Kolmogorov-Arnold 网络 (KAN) 是一种具有可学习单变量函数的新型架构，具有强大的非线性表达能力和高效推理性能。本文将 KANs 集成到三种流行的 GNN 架构中——GAT、SGC 和 APPNP，从而产生三个新模型：KGAT、KSGC 和 KAPPNP。我们进一步采用多教师知识融合框架，将来自多个 KAN-based GNNs 的知识蒸馏到无图依赖的 KAN 学生模型中。在基准数据集上的实验表明，所提出的模型在提高节点分类准确率方面具有积极作用，知识融合方法显著提升了学生模型的性能。我们的发现凸显了 KANs 在增强 GNN 表示力方面的潜力，以及实现高效、无图推理的可能性。
引用
@article{arxiv.2508.06663,
title = {Transferring Social Network Knowledge from Multiple GNN Teachers to Kolmogorov-Arnold Networks},
author = {Yuan-Hung Chao and Chia-Hsun Lu and Chih-Ya Shen},
journal= {arXiv preprint arXiv:2508.06663},
year = {2025}
}
备注
6 pages, 3 tables