Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature
基于熵曲率的图神经网络局部-全局几何洞察
🧭 几何深度学习 · 全局图曲率
Centre de recherches mathématiques (CRM), Université de Montréal · LIX, École Polytechnique, IP Paris
引入全局熵曲率统一图神经网络的过平滑与过挤压，并提出E-Gate聚合、ENT编码和MCR重连三种机制。
📌 工作参考价值
- E-Gate 聚合器可替代 GNN 中的均值/注意力聚合：通过熵曲率加权邻居信息，能自适应抑制噪声节点，在用户-商品交互图上可缓解深度模型中节点表征坍缩，提升长尾物品推荐。
- ENT 结构编码作为节点初始化特征：该编码捕获全局几何信息，类似图位置编码，可拼接至用户/物品原始特征，增强冷启动节点表示，适合电商异构图场景。
- MCR 图重连策略用于缓解信息瓶颈：在社交推荐或协同过滤图中，对关键位置添加“中点边”或补全三角形，能加速长程依赖传播，可作为一种数据增强手段优化图结构。
- 过平滑与过挤压的统一分析视角：通过曲率谱指导网络深度与宽度设计，建议在推荐图深 GNN 中动态监控局部曲率，以平衡信息混合与保持辨别力。
动机：现有图曲率（Ollivier-Ricci、Forman）仅关注局部边级比较，无法刻画长程信息传播，使得 GNN 的过平滑（节点特征趋同）和过挤压（远距离信息被瓶颈压缩）问题缺乏全局几何解释。
方法：将 Lott-Sturm-Villani 框架推广到图，定义基于 W1-Wasserstein 测地线上熵位移凸性的 全局熵曲率，提出可计算的弱熵曲率代理 (\kappa_w)。由此导出三项理论结果：①控制过平滑的 Poincaré 型不等式；②运输-熵泛化界；③扩展悖论（大图中稀疏性、强谱扩展与正熵曲率不可共存），将过平滑与过挤压统一为曲率谱的两端。基于理论落地三种机制：E-Gate 聚合器（用 (\kappa_w) 对邻居加权）、ENT 结构编码（基于全局几何的节点特征）、MCR 重连（在负曲率边中点补全三角形以缓解瓶颈）。
结果：在 6 个节点分类和图分类基准上，所提机制优于 SDRF、FoSR、BORF、LCP、Graph Ricci Flow 等重连/编码方法，同时有效缓解过平滑和过挤压，验证了全局曲率指导 GNN 设计的有效性。