K-Hop Gaussian Diffusion: новый метод улучшения графовых нейронных сетей

Группа исследователей представила новый подход к улучшению графовых нейронных сетей (GNN) — K-Hop Gaussian Diffusion (KHG). Метод описан в препринте на arXiv и предназначен для борьбы с шумом и неопределенностью в графах реального мира.

Традиционные GNN используют механизм передачи сообщений между непосредственными соседями, что ограничивает локальную обработку. Существующие диффузионные ядра, такие как Personalized PageRank (PPR) и Heat Kernel, помогают глобально распространять информацию, но плохо справляются со сложными локальными структурами и шумом от удаленных узлов.

KHG решает эти проблемы за счет многопереходной диффузии с гауссовским взвешиванием: чем дальше узел, тем меньше его вклад. Это позволяет адаптивно балансировать между локальной и глобальной информацией до подачи данных в стандартную GNN.

Эксперименты на нескольких эталонных наборах данных показали, что KHG значительно превосходит обычные GNN и существующие диффузионные методы (PPR и Heat Kernel), особенно на графах с высоким уровнем шума или сложной структурой.

Авторы отмечают, что KHG может быть легко интегрирован в существующие GNN-архитектуры как модуль предобработки, что открывает путь к более надежным приложениям в анализе социальных сетей, рекомендательных системах и биоинформатике.

Работа опубликована как препринт на платформе arXiv и ожидает рецензирования. Полный текст доступен по ссылке arXiv:2606.18317.