VS-Graph: 使用高维计算进行可扩展且高效的图分类
机器学习
2025-12-04 v1 人工智能
神经与进化计算
摘要
图分类是从分子属性预测到材料设计等领域的基本任务。虽然图神经网络(GNN)通过消息传递学习表达性强的表示方面取得了卓越的性能，但它们产生高计算成本，限制了其在资源受限设备上的可扩展性和部署。高维计算(HDC)，也称为向量符号架构(VSA)，提供了一种轻量级、受大脑启发的替代方案，但现有的基于HDC的图方法通常难以匹配GNN的预测性能。在本工作中，我们提出了VS-Graph：一个向量符号图学习框架，用于缩小HDC效率与消息传递表达性之间的差距。VS-Graph引入了Spike扩散机制用于拓扑驱动的节点识别，以及基于高维向量空间的关联消息传递方案用于多跳邻域聚合。无需基于梯度的优化或反向传播，我们的方法在现代GNN上实现了具有竞争力的准确率， 在标准基准数据集如MUTAG和DD上超过以往HDC基线4-5%。在几个数据集上，它还匹配或超过了GNN基线的性能，同时将训练速度提高了最高可达450倍。此外，VS-Graph即使在将高维向量维度压缩到D=128的情况下，也能保持高准确率，展示了在激进维度压缩下的鲁棒性，为在边缘和神经形态硬件上实现超高效运行铺平了道路。
引用
@article{arxiv.2512.03394,
title = {VS-Graph: Scalable and Efficient Graph Classification Using Hyperdimensional Computing},
author = {Hamed Poursiami and Shay Snyder and Guojing Cong and Thomas Potok and Maryam Parsa},
journal= {arXiv preprint arXiv:2512.03394},
year = {2025}
}