SAGMAN：基于流形的图神经网络稳定性分析
内容提要
该文综述了多项图神经网络研究，包括：融合黎曼流形嵌入以提升分类与链路预测；采用局部中心度策略改善不同规模图的分类；在史蒂费尔流形上学习辛结构以增强适应性；推广双曲GNN以缓解过度压缩；提出图Gram指数度量嵌入不稳定性；利用Gumbel图网络建模时间序列；设计Eigen-GNN插件增强结构保留；将GNN用于移动自组网边预测；以及简化梯度攻击与度同配指标。
延伸解读
流形嵌入的融合思路
文章介绍的FMGNN架构，核心在于融合不同黎曼流形上的顶点嵌入。它通过选择地标和几何核心集，让不同流形间的嵌入能够相互作用和对齐。这种设计试图利用多种流形几何特性来提升表示能力，在顶点分类和链路预测任务上取得了优于强基线的表现。
针对图规模差异的局部策略
针对小图和大图之间节点连接性分布的差异，文章提到一种基于局部接近中心度的SIA策略。该策略用节点的局部结构特征来指导学习过程，旨在提高GNN在不同大小图上的图分类性能。这为处理图规模变化带来的泛化问题提供了一种思路。
几何视角下的稳定性与适应性
文章从几何角度探讨了GNN的多个问题：SAH-GNN在史蒂费尔流形上学习辛结构以增强适应性；双曲GNN被推广到可变曲率流形以缓解过度压缩；图Gram指数（GGI）则用于度量嵌入的不稳定性。这些工作共同关注嵌入空间的几何性质如何影响模型表现。
结构保留与对抗攻击的实用考量
Eigen-GNN作为插件模块，通过将图结构特征空间与GNN集成，提升了结构保留能力。另一方面，文章提出简化梯度攻击方法，并引入度同配改变指标来衡量对抗攻击的影响。这两者分别从增强结构利用和评估攻击效果的角度，为GNN的实用部署提供了参考。
Q&A
FMGNN 是如何融合不同黎曼流形嵌入的？
FMGNN 通过选择地标和几何核心集，使不同流形之间的顶点嵌入通过流形之间的距离进行相互作用和对齐，从而融合不同黎曼流形嵌入。
SIA 策略为什么能提升 GNN 在不同大小图上的分类性能？
因为生物数据的谱分析显示小图和大图的节点连接性分布存在差异，SIA 策略基于节点的局部接近中心度指导学习过程，从而适应不同大小的图。
SAH-GNN 如何实现自适应学习辛结构？
SAH-GNN 在训练过程中采用对称史蒂费尔流形上的黎曼优化，自适应地学习底层辛结构，从而推广 Hamiltonian 动力学，实现对各种图数据集的自动适应。
双曲型图神经网络如何缓解过度压缩现象？
通过将双曲型图神经网络推广到可变曲率的黎曼流形，使嵌入空间的几何与图的拓扑相符，从而在具有负曲率的图中减轻过度压缩。
图 Gram 指数（GGI）是用来衡量什么的？
GGI 用于测量图神经网络产生的嵌入的几何不稳定性，是一种简单高效且图本地的度量方法。
Eigen-GNN 插件模块有什么作用？
Eigen-GNN 将 GNN 视为一种降维类型，通过扩展初始降维基础，将图结构的特征空间与 GNN 相集成，从而提高 GNN 在保留图结构方面的能力。
