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（4 点）
- 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。