.png){kind=icon}
返回
Structure-Preserving Mixture-of-Experts: A graph sparse computation framework for node classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116693.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
节点分类是图神经网络（GNNs）的核心基准任务。它旨在预测图中每个节点的类别，并为图结构化数据提供多样化的应用。一些研究提出了集成专家混合（MoE）方法的GNN框架，用于节点分类以减少计算并解决大规模图中的问题，如过平滑、冗余计算和结构碎片化。然而，大多数现有方法依赖孤立的节点选择路由。在这些方法中，每个节点独立路由，导致专家计算域与图拓扑结构对齐不良，从而破坏图结构并限制了专家的结构感知专业化。因此，我们提出了一种保持结构的MoE（SP-MoE）框架，将专家激活与图拓扑相关联。每个专家通过结构感知门控模块选择top-k核心节点，并在这些核心节点扩展的局部域上进行消息传递。同时，设计了一个全局专家模块以确保边缘节点的覆盖和表示的完整性。大量实验表明，所提出的SP-MoE与经典GNNs和近期可扩展图架构相比，始终表现出强大的竞争力。
Keyword:
Graph neural network
Mixture-of-Experts
Node classification
Structure-Preserving routing
Global expert
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
分享收藏DA-MoE: Addressing depth-sensitivity in graph-level analysis through mixture of expertsDA-MoE：通过专家混合模型解决图级分析中的深度敏感性问题.png)
Neural Networks
OAAI
Neural NetworksIF6.3
OAAI分享收藏分享收藏 没有更多内容
没有更多内容