LaguerreNet: Neues GNN mit adaptiven Laguerre-Polynomen gegen Heterophilie und Überglättung

Ein neues Forschungsdokument auf arXiv präsentiert LaguerreNet, ein Spectral Graph Neural Network, das die beiden größten Schwächen herkömmlicher GNNs – schlechte Leistung bei heterophilen Graphen und das Phänomen des Over‑Smoothing bei hohen Polynomgraden – gleichzeitig adressiert.

Im Gegensatz zu klassischen Low‑Pass‑Filtern wie ChebyNet nutzt LaguerreNet kontinuierliche Laguerre‑Polynome. Durch die Trainingsfähigkeit des Kernparameters α kann das Netzwerk die spektrale Form des Filters dynamisch an die Daten anpassen. Damit wird die bisherige Notwendigkeit, feste Filter zu verwenden, aufgehoben und ein adaptiver Ansatz realisiert.

Ein zentrales Problem bei unbeschränkten Polynomen ist die numerische Instabilität. LaguerreNet löst dieses Problem mit einer LayerNorm‑basierten Stabilisierung, die die Berechnung bei hohen Polynomgraden (K) zuverlässig hält. Experimentelle Ergebnisse zeigen, dass das Modell auf heterophilen Benchmark‑Datensätzen die bisher beste Leistung erzielt und bei K=10 weit über dem Punkt liegt, an dem ChebyNet bereits zusammenbricht.

Die Kombination aus adaptiver Filtergestaltung, stabiler Numerik und hervorragender Performance macht LaguerreNet zu einem vielversprechenden Ansatz für zukünftige Anwendungen in Bereichen, in denen Graphdaten stark heterophil sind oder hohe Polynomgrade erforderlich sind.