HarmonyGNN 新技术大幅提升图神经网络准确率

研究团队近期推出了一种全新的训练方法 HarmonyGNN，显著提升了图神经网络（GNN）的预测准确率。GNN 是面向图结构数据的人工智能模型，已广泛应用于药物研发、天气预报等领域。图数据由节点（数据点）与边（连接关系）构成，边体现节点之间的联系，这些联系既可能表现为相似（同质），也可能存在差异（异质）。

传统上，GNN 训练多采用半监督方式，即在训练阶段依赖带标签的节点。这能帮助模型学习节点间的关系模式，但如果在实际应用中输入的图缺少标注节点，GNN 的表现就可能受影响。为了解决这一问题，研究人员尝试无监督学习，但在处理异质关系方面仍面临挑战。

HarmonyGNN 框架有效化解了上述难题。即使没有标注节点，模型也能更好地区分同质边与异质边，从而在异质图上表现更佳。研究团队在 11 个常用基准图上测试后发现：采用 HarmonyGNN 训练的 GNN 在七个同质图上的表现达到最先进水平，而在四个异质图上则刷新了准确率纪录，提升幅度在 1.27% 至 9.6% 之间。

此外，HarmonyGNN 还提升了训练的计算效率，为 GNN 的实际落地打开了新空间。相关论文将于 2026 年 4 月在巴西里约热内卢举行的国际学习表示会议上发表，论文的第一作者为北卡罗来纳州立大学博士生徐锐。

划重点：  

🌟 HarmonyGNN 显著增强 GNN 的准确性，尤其在异质图场景中表现突出。  

📈 在四个异质图上，准确率最高提升达到 9.6%。  

💻 框架提升训练效率，助力 GNN 更好地应用于实际问题。