论文提出将统一拓扑签名融入图神经网络
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载突破表达力瓶颈
消息传递图神经网络（GNN）的表达能力受限于 Weisfeiler-Lehman（1-WL）图同构测试，难以区分具有相同局部邻域结构的非同构图。统一拓扑签名（UTS）源自持续同调，能够捕捉全局图拓扑的紧凑多尺度表示。该研究引入了两种互补的 UTS 签名：Graph_UTS 作为输入图拓扑的静态签名，以及 Embedding_UTS 作为演化嵌入拓扑的动态签名。这些签名编码了基于 1-WL 的消息传递 GNN 无法访问的结构信息。
三种架构干预
研究将 UTS 整合到 GNN 训练中，提出了三种架构干预方案。UTS-Aug 通过增强标准读出特征来编码图的真实拓扑；UTS-Reg 作为拓扑正则器，约束表示的坍缩；UTS-Pool 则是拓扑引导的池化操作，用于保留结构上关键的节点。此外，UTS 还被用作逐层诊断工具，用于量化 GNN 训练过程中的过平滑现象。理论上，该工作证明了将 UTS 整合到 GNN 优化中可以严格将 GNN 的表达力扩展到 1-WL 层次之外。
实验性能提升
在三个图分类基准测试中，实验结果显示了该方法的一致性收益。Graph-UTS、Dual-UTS 和 UTS-Pool 在所有三个数据集上都提高了准确率，Embedding-UTS 提供了较小但同样一致的增益，而 UTS-Reg 的收益在不同图域中有所变化。具体而言，使用 Graph-UTS 增强可使准确率最高提升 5.8%，使用 UTS-Reg 最高提升 1.9%，而使用 UTS-Pool 则实现了与 TOGL 相当的性能。
为什么值得看
突破 GNN 表达力瓶颈，提供拓扑特征融合新范式。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。