研究人员近日推出了一种新的训练技术，名为 HarmonyGNN，这一技术显著提高了图神经网络（GNN）的准确性。图神经网络是一种专门处理图形数据的人工智能系统，广泛应用于药物发现、天气预测等多个领域。图形数据由节点（数据点）和边（连接线）组成，边表示节点之间的关系。这些关系可以是相似的（同质性）或不同的（异质性）。
传统上，图神经网络的训练依赖于半监督学习，即在训练过程中使用标记的节点。这虽然有助于 GNN 识别节点之间的关系，但如果在实际应用中，输入图没有标记节点，GNN 的性能可能会受到影响。为了解决这一问题，研究人员转向无监督学习的方法，但这也带来了新的挑战，特别是在处理异质性关系时。
HarmonyGNN 框架的出现有效解决了这一挑战。研究人员表示，在没有标记节点的情况下，GNN 能够更好地区分同质性和异质性边，从而提高在异质图中的表现。通过这一框架，研究人员对 11 个广泛使用的基准图进行了测试，结果显示，经过 HarmonyGNN 训练的 GNN 在七个同质性图中达到了最先进的性能，而在四个异质性图中则建立了新的准确性记录，准确率提升幅度在 1.27% 到 9.6% 之间。
此外，HarmonyGNN 框架还提高了训练的计算效率，为 GNN 的应用打开了新的可能性。这项研究的论文将于 2026 年 4 月在巴西里约热内卢举行的国际学习表示会议上发表，论文的第一作者是北卡罗来纳州立大学的博士生徐锐。
划重点：
🌟 HarmonyGNN 框架显著提高了图神经网络的准确性，尤其是在处理异质性图时。
📈 经过该框架训练的 GNN 在四个异质性图上，准确率提升幅度达到 9.6%。
💻 该框架还提升了训练的计算效率，为 GNN 的实际应用奠定了基础。