研究人員近日推出了一種新的訓練技術，名爲 HarmonyGNN，這一技術顯著提高了圖神經網絡（GNN）的準確性。圖神經網絡是一種專門處理圖形數據的人工智能系統，廣泛應用於藥物發現、天氣預測等多個領域。圖形數據由節點（數據點）和邊（連接線）組成，邊表示節點之間的關係。這些關係可以是相似的（同質性）或不同的（異質性）。

傳統上，圖神經網絡的訓練依賴於半監督學習，即在訓練過程中使用標記的節點。這雖然有助於 GNN 識別節點之間的關係，但如果在實際應用中，輸入圖沒有標記節點，GNN 的性能可能會受到影響。爲了解決這一問題，研究人員轉向無監督學習的方法，但這也帶來了新的挑戰，特別是在處理異質性關係時。

HarmonyGNN 框架的出現有效解決了這一挑戰。研究人員表示，在沒有標記節點的情況下，GNN 能夠更好地區分同質性和異質性邊，從而提高在異質圖中的表現。通過這一框架，研究人員對 11 個廣泛使用的基準圖進行了測試，結果顯示，經過 HarmonyGNN 訓練的 GNN 在七個同質性圖中達到了最先進的性能，而在四個異質性圖中則建立了新的準確性記錄，準確率提升幅度在 1.27% 到 9.6% 之間。

此外，HarmonyGNN 框架還提高了訓練的計算效率，爲 GNN 的應用打開了新的可能性。這項研究的論文將於 2026 年 4 月在巴西里約熱內盧舉行的國際學習表示會議上發表，論文的第一作者是北卡羅來納州立大學的博士生徐銳。

劃重點：  

🌟 HarmonyGNN 框架顯著提高了圖神經網絡的準確性，尤其是在處理異質性圖時。  

📈 經過該框架訓練的 GNN 在四個異質性圖上，準確率提升幅度達到 9.6%。  

💻 該框架還提升了訓練的計算效率，爲 GNN 的實際應用奠定了基礎。