Graph convolutional network with adaptive grouping aggregation strategy

doi:10.1016/j.neunet.2025.108086

Graph convolutional network with adaptive grouping aggregation strategy

2025-09-06

0

PRE

AI

DOI：10.1016/j.neunet.2025.108086

原文链接

原文求助

摘要

En 中文

图卷积网络（GCNs）在节点上使用简单的聚合函数的性能已达到瓶颈，导致实践与理论表达力之间存在差距。一些基于学习的聚合策略已被提出以提升性能。然而，其中很少有研究关注这些策略如何影响表达力，并在相同的实验设置下评估其性能。本文指出，简单的聚合函数无法保留足够的节点信息，导致生成的特征缺乏判别力，从而在很大程度上造成了性能差距。为此，提出了一种新的自适应分组聚合（AGA）策略来弥补这一缺陷。受Weisfeiler-Lehman（WL）测试中的标签直方图启发，该策略将每个节点分配到唯一组别以保留更多节点信息，这已被证明具有更强的表达力。在此工作设置下，节点根据节点特征与一组可学习的组标签之间的修正学生t分布进行分组，其中采用Gumbel Softmax来实现该策略的端到端可训练流程。因此，这种设计能够生成更具判别力的特征，并提供一个适用于大多数架构的即插即用模块。我们在多个基准数据集上进行了大量实验，将我们的方法与其他聚合策略进行比较。所提出的方法在所有基准数据集的所有对照组中均提升了性能，并在大多数情况下取得了最佳结果。额外的消融研究和在大规模基准数据集上与最先进方法的比较也表明了我们的方法的优势。

Graph convolutional network with adaptive grouping aggregation strategy

摘要

期刊

机构

引用论文