研究人員近日推出了一種新的訓(xùn)練技術(shù)，名為 HarmonyGNN，這一技術(shù)顯著提高了圖神經(jīng)網(wǎng)絡(luò)（GNN）的準(zhǔn)確性。圖神經(jīng)網(wǎng)絡(luò)是一種專門處理圖形數(shù)據(jù)的人工智能系統(tǒng)，廣泛應(yīng)用于藥物發(fā)現(xiàn)、天氣預(yù)測等多個領(lǐng)域。圖形數(shù)據(jù)由節(jié)點（數(shù)據(jù)點）和邊（連接線）組成，邊表示節(jié)點之間的關(guān)系。這些關(guān)系可以是相似的（同質(zhì)性）或不同的（異質(zhì)性）。

傳統(tǒng)上，圖神經(jīng)網(wǎng)絡(luò)的訓(xùn)練依賴于半監(jiān)督學(xué)習(xí)，即在訓(xùn)練過程中使用標(biāo)記的節(jié)點。這雖然有助于 GNN 識別節(jié)點之間的關(guān)系，但如果在實際應(yīng)用中，輸入圖沒有標(biāo)記節(jié)點，GNN 的性能可能會受到影響。為了解決這一問題，研究人員轉(zhuǎn)向無監(jiān)督學(xué)習(xí)的方法，但這也帶來了新的挑戰(zhàn)，特別是在處理異質(zhì)性關(guān)系時。

HarmonyGNN 框架的出現(xiàn)有效解決了這一挑戰(zhàn)。研究人員表示，在沒有標(biāo)記節(jié)點的情況下，GNN 能夠更好地區(qū)分同質(zhì)性和異質(zhì)性邊，從而提高在異質(zhì)圖中的表現(xiàn)。通過這一框架，研究人員對 11 個廣泛使用的基準(zhǔn)圖進行了測試，結(jié)果顯示，經(jīng)過 HarmonyGNN 訓(xùn)練的 GNN 在七個同質(zhì)性圖中達到了最先進的性能，而在四個異質(zhì)性圖中則建立了新的準(zhǔn)確性記錄，準(zhǔn)確率提升幅度在 1.27% 到 9.6% 之間。

HarmonyGNN 框架還提高了訓(xùn)練的計算效率，為 GNN 的應(yīng)用打開了新的可能性。這項研究的論文將于 2026 年 4 月在巴西里約熱內(nèi)盧舉行的國際學(xué)習(xí)表示會議上發(fā)表，論文的第一作者是北卡羅來納州立大學(xué)的博士生徐銳。

劃重點：