DCQ-GNN: новый метод спектральных графовых нейросетей повышает точность и устойчивость
Группа исследователей предложила новый подход к построению спектральных графовых нейронных сетей (GNN) — DCQ-GNN. Метод основан на компактном наборе адаптивных выпукло-вогнутых квадратичных фильтров, которые обеспечивают высокую спектральную избирательность без использования полиномов высокого порядка.
Традиционные спектральные GNN интерпретируют передачу сообщений как частотно-избирательную фильтрацию. Фильтры низкого порядка эффективны, но слабо подавляют сигналы вне полосы пропускания, тогда как высокопорядковые альтернативы создают проблемы с оптимизацией. DCQ-GNN решает эту дилемму, ограничивая порядок фильтра до двух и явно используя взаимодополняющую кривизну.
Модель объединяет выходы фильтров через механизм адаптивного стробирования, позволяя учитывать структурные особенности каждого узла. Это даёт возможность спектрального выбора с учётом структуры графа. Авторы провели формальный спектральный анализ на основе затухания энергии Дирихле, энтропии фон Неймана и полярности кривизны.
Эксперименты на 10 наборах данных показали, что DCQ-GNN занимает первое место по среднему рангу (3.0) на гетерофильных графах и второе (4.2) на гомофильных, конкурируя с представительными высокопорядковыми полиномиальными фильтрами. При сильных структурных искажениях модель демонстрирует значительно меньшее падение производительности по сравнению как с фильтрами первого, так и высокого порядка.
Авторы подчёркивают, что квадратичные банки с учётом кривизны обеспечивают надёжную и эффективную альтернативу высокопорядковым спектральным моделям, сохраняя стабильность оптимизации и вычислительную эффективность. Работа опубликована на arXiv под номером 2606.24956.
