GraphViz2Vec：提升 GNNs 分类效果的结构感知特征生成模型
内容提要
该文汇总了多种图表示学习研究：Graph2vec学习任意图的分布式表示；部分GNN在无节点属性时表示受限；内容增强可提升节点嵌入；低维嵌入在社群标记上表现较差；压缩嵌入可加速工业级训练；图卷积增强良性过拟合；表格转图可提升回归预测；Graph Learning Network用于社区检测等；ViG将图像建图为图神经网络；node2vec在多标签分类和链接预测上优于现有技术。
延伸解读
无节点属性时GNN的表示局限
文章指出，当图数据缺乏节点属性时，部分GNN模型会将所有节点嵌入到同一特征向量中，而另一些模型生成的表示仅与节点上的行走数量相关。这意味着结构不相似的节点若具有相同长度的行走次数，可能获得相似表示，从而限制模型区分能力。这一发现提醒研究者在无属性场景下需谨慎选择模型，并考虑引入结构特征或内容增强来提升表示质量。
低维嵌入在社群标记任务中的不足
针对基于单节点低维度向量嵌入的无监督图表示学习方法，文章分析发现其在节点对社群标记任务上表现较差且不稳定，相比经典结构特征模型存在明显局限性。这表明低维嵌入可能无法充分捕获社群结构，实际应用中若任务依赖社群信息，应评估嵌入维度或结合结构特征，而非盲目采用低维嵌入方案。
压缩嵌入助力工业级图神经网络训练
文章提到，通过压缩方法将节点嵌入表示为比浮点向量更紧凑的形式，可以在工业级规模的图数据上快速训练图神经网络，同时达到更好性能。这为大规模图学习提供了实用方向：在资源受限或实时性要求高的场景下，压缩嵌入能平衡效率与效果，但需注意压缩可能带来的信息损失，应根据任务需求权衡压缩率与模型精度。
图卷积与良性过拟合的关联
文章探讨了图卷积在梯度下降训练中的作用，发现图卷积显著增强了对手CNN的良性过拟合范围，且训练后GNN与MLP在特征学习和泛化能力上存在重大差异。这提示读者，图卷积可能通过扩大良性过拟合来提升泛化，但具体机制仍需结合任务验证，不宜简单将CNN结论迁移至GNN。
Q&A
Graph2vec 是什么？它有什么用途？
Graph2vec 是一种神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。它可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。
在没有节点属性的情况下，GNN 模型能学到图的哪些属性？
研究表明，四种流行的 GNN 模型中，两个将所有节点嵌入同一特征向量中，另外两个生成与输入图上的行走数量有关的表示。在某一层 k>1 时，结构不相似的节点如果具有相同长度的行走次数，则可能具有相似的表示。
低维节点嵌入在社群标记任务上表现如何？
基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务上表现较差且不稳定，相对于经典的基于结构特征的模型，在捕获社群结构方面存在局限性。
如何加速工业级图神经网络的训练？
通过使用压缩方法，将节点嵌入用比浮点向量更紧凑的向量表示，可以在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。
图卷积在神经网络训练中有什么作用？
图卷积显著增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后，GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异。
node2vec 算法有什么优势？
node2vec 是一种学习网络节点特征表示的算法框架，通过学习节点到低维特征空间的映射来最大化保留节点的网络邻域的机会，实现对网络中连接性模式多样性的表达。在多个领域的真实世界网络上，node2vec 在多标签分类和链接预测方面都优于现有技术。
