分层多尺度图神经网络：具有过度平滑和过度挤压缓解功能的可扩展异质学习

arXiv:2605.10975v1 公告类型：新 摘要：具有异质性的图（相邻节点带有不同标签）在现实世界的应用中很普遍，从社交网络到分子相互作用。然而，现有的专为异质图分类而设计的谱图神经网络（GNN）方法会遭受集线器主导（具有大度数的节点）聚合和过度平滑的问题，因为它们的次优多项式滤波器会引入近似误差并混合远距离信号。为了解决偏向聚合和次优多项式过滤的问题，我们引入了分层多视图 HAAR (HMH)，这是一种新颖的谱图学习框架，可以在近线性时间内扩展。 HMH 首先通过异性感知编码器学习特征和结构感知的签名亲和力，然后构建由这些嵌入引导的软图层次结构。在每个层级，HMH 构建稀疏、正交和局部感知的 Haar 基础，以在频域中应用可学习的频谱滤波器。最后，跳跃连接非池化层将所有层次的输出组合回原始图中，有效防止集线器控制和远程信号瓶颈（过度挤压）。实验表明，HMH 的性能优于最先进的光谱基线，在节点分类方面实现了高达 3% 的改进，在图分类数据集上实现了 7% 的改进，同时保持了线性可扩展性。