隐式与展开图神经网络对比分析

摘要

研究发现消息传递图神经网络（GNN）在平衡远程节点依赖的高效建模与避免过度平滑、虚假边敏感性或模型可解释性不足等问题时面临挑战。针对这些问题，近期提出两种独立策略：隐式图神经网络（IGNN）和展开式图神经网络（UGNN）。前者将节点表示视为深度均衡模型的固定点，能够以固定内存占用高效促进图上的任意隐式传播；后者则将图传播视为应用于图正则化能量函数的展开下降迭代。

尽管动机不同，本文详细量化了两种方法产生等效解决方案的显式场景，以及它们特性显著分歧的其他情况，包括收敛性、表示能力和可解释性分析。为支持分析，还在多个合成和公开真实节点分类基准测试中提供了实证对比。结果表明：虽然IGNN内存效率显著更高，但UGNN模型支持独特的集成图注意力机制和传播规则，能够在对抗扰动图、异配性图和涉及远程依赖的图等不同场景下实现强大的节点分类准确性。

关键特性对比

IGNN优势：固定内存占用，高效隐式传播
UGNN优势：集成注意力机制，适应异配性图结构
共同挑战：平衡远程依赖建模与表示质量

实验验证

通过对抗扰动环境、异配性图结构和远程依赖场景的系统测试，验证了两种架构在不同图数据特性下的性能表现。

[abs][pdf][bib]