DualLaguerreNet: Neue GNN-Architektur enthüllt Flexibilität‑Stabilitäts-Dilemma

In der Welt der Graph Neural Networks (GNNs) haben spektrale Filter wie die Adaptive Orthogonal Polynomial Filter (AOPF)-Klasse – zum Beispiel LaguerreNet – vielversprechende Fortschritte erzielt, indem sie Heterophilie und Over‑Smoothing gleichzeitig adressieren. Doch diese Ein‑Filter‑Modelle stoßen an ihre Grenzen, weil ein einziger adaptiver Parameter (z. B. alpha) versucht, eine suboptimale, durchschnittliche Reaktion über das gesamte Spektrum des Graphen zu lernen.

Die Autoren stellen DualLaguerreNet vor, eine neuartige GNN‑Architektur, die dieses Problem löst, indem sie die Graph‑Laplacian in zwei Operatoren aufteilt: L_low für niedrige Frequenzen und L_high für hohe Frequenzen. Für jeden dieser Operatoren werden unabhängige, adaptive Laguerre‑Polynome mit eigenen Parametern alpha₁ und alpha₂ trainiert – ein Konzept, das sie „Decoupled Spectral Flexibility“ nennen.

Die Experimente zeigen, dass DualLaguerreNet dank dieser zusätzlichen Flexibilität bei komplexen heterophilen Aufgaben die bisherige Spitzenleistung übertrifft. Gleichzeitig fällt auf, dass das Modell bei einfacheren, homophilen Aufgaben schlechter abschneidet. Die Autoren identifizieren dies als ein grundlegendes „Flexibility‑Stability Trade‑off“: Die Verdopplung der Filter‑ und Modellparameter führt zu Überanpassung bei einfachen Datensätzen, während die kompakteren Modelle als effektiver Regularisierer wirken.

Damit liefert die Arbeit nicht nur eine neue SOTA‑Architektur für heterophile Graphen, sondern liefert auch eine kritische Analyse des Bias‑Variance‑Trade‑offs, der bei der Gestaltung adaptiver GNN‑Filter unvermeidlich ist. Diese Erkenntnisse sind ein wichtiger Schritt, um die Balance zwischen Flexibilität und Stabilität in zukünftigen GNN‑Designs zu verstehen und zu optimieren.