谢瑞尔-余类图传播

于红博

摘要: 图神经网络（GNNs）提供了一个学习图结构数据的原则性框架，但它们的表达能力经常受到过度压缩的阻碍，即来自远程节点的信息被压缩成固定大小的向量。现有的解决方案，包括图重连和抗瓶颈架构（如Cayley和扩展图），避免了这个问题，但引入了可伸缩性瓶颈。特别是，构建在$SL(2,\mathbb{Z}_n)$上的Cayley图表现出强大的理论性质，但受到立方节点增长$O(n^3)$的困扰，导致内存使用高。为了解决这个问题，本文介绍了Schrier-Coset图传播（SCGP），一种群论增强方法，通过Schreier余类嵌入丰富节点特征，而不改变输入图拓扑结构。SCGP将无瓶颈的连接模式嵌入到紧凑的特征空间中，改善远距离信息传递，同时保持计算效率。通过对标准节点和图分类基准的实证评估，表明SCGP实现了与扩展图和重连GNN基线相当或超出的性能。此外，SCGP在处理分层和模块化图结构方面具有特殊优势，提供了降低推理延迟、改善可伸缩性和低内存占用的优势，使其适用于实时和资源受限的应用。

更新时间: 2025-09-19 13:45:24

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2505.10392v2