Neurips 24
推荐指数： #paper/⭐⭐⭐
领域：可扩展图，大图加速
整个文章的理论部分比较多，尽量尽我所能避开一些额外公式。详细文章，见链接
模型架构
如图，整个模型分为与计算和训练两部分。本文的精华在于预训练
LD2–一个解耦的异配图gnn
为了更好的加速，我们使用了多通道结果去增加灵活性。输入的数据是一系列的嵌入矩阵
[
P
1
,
P
2
,
…
,
P
C
]
[P_{1},P_{2},\dots ,P_{C}]
[P1,P2,…,PC]
预计算
P
A
,
P
X
=
A
2
P
r
o
p
(
A
,
X
)
\boldsymbol{P}_A,\boldsymbol{P}_X=\mathrm{A}^2\mathrm{Prop}(\boldsymbol{A},\boldsymbol{X})
PA,PX=A2Prop(A,X)
转换得嵌入
H
(
L
)
=
M
L
P
(
P
A
W
A
∥
P
X
W
X
)
.
\boldsymbol{H}^{(L)}=\mathrm{MLP}(\boldsymbol{P}_A\boldsymbol{W}_A\|\boldsymbol{P}_X\boldsymbol{W}_X).
H(L)=MLP(PAWA∥PXWX).
低纬邻接矩阵嵌入
由于二阶邻居信息很少受到同配异配信息的影响，因此我们对二跳邻接矩阵进行建模
P
A
=
arg
min
P
∈
R
n
×
F
∥
A
2
−
P
P
T
∥
F
2
.
\boldsymbol{P}_A=\arg\min_{\boldsymbol{P}\in\mathbb{R}^{n\times F}}\|\boldsymbol{A}^2-\boldsymbol{P}\boldsymbol{P}^T\|_F^2.
PA=argP∈Rn×Fmin∥A2−PPT∥F2.
通过优化F范数，我们可以得到
P
A
∈
R
n
×
F
P_{A} \in \mathbb{R}^{n \times F}
PA∈Rn×F.
(谱分析视角见论文原文)
长距离特征嵌入
用
P
X
=
∑
l
=
1
L
P
θ
l
T
l
X
P_X=\sum_{l=1}^{L_P}\theta_l\boldsymbol{T}^l\boldsymbol{X}
PX=∑l=1LPθlTlX 来计算特征，可能不太好(因为数据有高通低通中通)。按照低通高通中通，我们分别定义为
P
X
,
L
2
,
P
H
,
P
X
,
0
P_{X,L2},P_{H},P_{X,0}
PX,L2,PH,PX,0。
那么，
P
X
,
H
=
1
L
P
,
H
∑
l
=
1
L
P
,
H
(
I
+
L
~
)
l
X
,
(
θ
l
=
1
,
T
=
I
+
L
~
)
\boldsymbol{P}_{X,H}=\frac1{L_{P,H}}\sum_{l=1}^{L_{P,H}}(\boldsymbol{I}+\tilde{\boldsymbol{L}})^l\boldsymbol{X}, (\theta_l=1, \boldsymbol{T}=\boldsymbol{I}+\tilde{\boldsymbol{L}})
PX,H=LP,H1l=1∑LP,H(I+L~)lX,(θl=1,T=I+L~)
P
X
,
L
2
=
1
L
P
,
L
2
∑
l
=
1
L
P
,
L
2
A
ˉ
2
l
X
,
(
θ
l
=
1
,
T
=
A
ˉ
2
)
\boldsymbol{P}_{X,L2}=\frac1{L_{\boldsymbol{P},\boldsymbol{L}2}}\sum_{l=1}^{L_{P,L2}}\bar{\boldsymbol{A}}^{2l}\boldsymbol{X}, (\theta_{l}=1,\boldsymbol{T}=\bar{\boldsymbol{A}}^{2})
PX,L2=LP,L21l=1∑LP,L2Aˉ2lX,(θl=1,T=Aˉ2)
P
X
,
0
=
X
\boldsymbol{P}_{X,0}=\boldsymbol{X}
PX,0=X
其中，
L
~
=
I
−
A
~
,
A
‾
\tilde{L}=I-\tilde{A},\overline{A}
L~=I−A~,A是没有自环的邻接矩阵。
(谱分析视角见原文)
拉普拉斯矩阵显然是高通过滤器，A是低通过滤器。这样，我们就可以构造高阶或者低阶如上长距离特征嵌入
近似邻接矩阵传播预计算
近似特征嵌入计算
P
X
=
∑
l
=
0
L
P
θ
l
T
l
X
\boldsymbol{P}_X=\sum_{l=0}^{L_P}\theta_l\boldsymbol{T}^l\boldsymbol{X}
PX=l=0∑LPθlTlX
首先，初始值是：
R
(
0
)
=
X
.
\boldsymbol{R}^{(0)}=\boldsymbol{X}.
R(0)=X.传播矩阵是T。拉普拉斯传播T=I+L.嵌入可以表示为迭代形式：
R
(
l
+
1
)
(
u
)
=
2
R
(
l
)
(
u
)
−
∑
v
∈
N
(
u
)
R
(
l
)
(
v
)
/
d
a
(
u
)
d
b
(
v
)
=
∑
v
∈
N
(
u
)
∪
{
u
}
α
L
(
u
,
v
)
d
a
(
u
)
d
b
(
v
)
⋅
R
(
l
)
(
v
)
\boldsymbol{R}^{(l+1)}(u)=2\boldsymbol{R}^{(l)}(u)-\sum_{v\in\mathcal{N}(u)}\boldsymbol{R}^{(l)}(v)/d^a(u)d^b(v)=\sum_{v\in\mathcal{N}(u)\cup\{u\}}\frac{\alpha_L(u,v)}{d^a(u)d^b(v)}\cdot\boldsymbol{R}^{(l)}(v)
R(l+1)(u)=2R(l)(u)−v∈N(u)∑R(l)(v)/da(u)db(v)=v∈N(u)∪{u}∑da(u)db(v)αL(u,v)⋅R(l)(v)
α
T
(
u
,
v
)
\alpha_T(u,v)
αT(u,v)对于T，
α
L
(
u
,
u
)
=
2
d
a
+
b
(
u
)
,
α
L
(
u
,
v
)
=
−
1
,
v
∈
N
(
u
)
\begin{aligned}\alpha_L(u,u)=2d^{\boldsymbol{a+b}}(u),\alpha_L(u,v)=-1,v\in\mathcal{N}(u)\end{aligned}
αL(u,u)=2da+b(u),αL(u,v)=−1,v∈N(u)。对于
A
~
,
A
ˉ
\tilde{A},\bar{A}
A~,Aˉ,分别是
α
A
(
u
,
v
)
=
1
and
α
A
(
u
,
u
)
=
1
,
0
\alpha_{A}(u,v)=1\text{ and }\alpha_{A}(u,u)=1,0
αA(u,v)=1 and αA(u,u)=1,0
近似邻接矩阵嵌入的计算
R
(
0
)
=
N
(
0
,
1
)
\boldsymbol{R}^{(0)}=N(0,1)
R(0)=N(0,1)
A
2
a
s
R
(
l
+
1
)
=
A
2
R
(
l
)
\boldsymbol{A}^2\mathrm{~as~}\boldsymbol{R}^{(l+1)}=\boldsymbol{A}^2\boldsymbol{R}^{(l)}
A2 as R(l+1)=A2R(l)
之后，执行column-wise normalization
orthonormalize
(
R
(
l
+
1
)
)
\texttt{orthonormalize}(\boldsymbol{R}^{(l+1)})
orthonormalize(R(l+1))
这样，矩阵就满足：
A
2
R
(
L
P
)
=
R
(
L
P
)
Λ
\boldsymbol{A}^2\boldsymbol{R}^{(L_P)}=\boldsymbol{R}^{(L_P)}\boldsymbol{\Lambda}
A2R(LP)=R(LP)Λ
最后，结果是：
U
^
=
R
(
L
P
)
,
P
^
A
=
U
^
∣
Λ
^
∣
1
/
2
\hat{\boldsymbol{U}}=\boldsymbol{R}^{(L_P)},\hat{\boldsymbol{P}}_A=\hat{\boldsymbol{U}}|\hat{\boldsymbol{\Lambda}}|^{1/2}
U^=R(LP),P^A=U^∣Λ^∣1/2
实验结果：
时间开销：
