.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
图神经网络通常通过梯度下降进行训练，其中图作为固定输入而非优化过程中的积极参与者。我们提出了EFSA，一种具有结构感知能力的进化框架，它将图的谱特性——包括其归一化拉普拉斯矩阵、低频特征向量以及派生的拓扑描述符——注入进化优化器的三大支柱中。适应度函数通过Dirichlet能量惩罚增强任务损失，奖励结构平滑的表示；拓扑感知选择保留结构多样的候选个体，并根据中心性描述符对节点进行加权；谱变异仅在最低频特征模态内扰动节点潜在块，从而使该块由个谱系数参数化，而非由个自由项参数化。理论上，我们证明了结构感知适应度的Lipschitz连续性，量化了谱变异与各向同性变异注入的Dirichlet能量差异，并在明确的局部漂移条件下，建立了最佳当前个体预期最优性间隙的界，其中收敛性是指向变异算子可达区域内受限的最优解。一种尺度平衡启发式方法将正则化强度与谱间隙关联，消除了一个超参数。在涵盖引文、合著和共同购买网络的七个节点分类基准测试中，EFSA与强大的梯度基、图转换器和架构搜索基线竞争，包括容量匹配的基线（接收相同的谱节点潜在块并通过梯度下降训练），在弱连接图（小谱间隙）上取得了最大增益，这种探索性趋势与理论一致。我们还报告了在边重连下的鲁棒性，并通过消融实验隔离了每个结构组件的贡献。该框架本身以任务无关的方式表述，但此处报告的实证证据仅限于无标度节点分类，我们的主张也相应限定。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
暂无论文信息