Краткое содержание

arXiv:2511.11928v1 Тип объявления: новый Аннотация: Графовые нейронные сети (GNN) являются фундаментальным инструментом в машинном обучении на графах. Производительность GNN критически зависит от наличия информативных признаков узлов, которые в реальных наборах данных и приложениях могут быть ограничены или отсутствовать. Естественным решением является дополнение признаков узлов эмбеддингами, вычисленными на основе собственных векторов матрицы Лапласа графа. Хотя естественно использовать по умолчанию спектральные эмбеддинги Лапласа, которые отражают содержательную информацию о связности графа, мы исследуем вопрос, могут ли спектральные эмбеддинги, полученные из альтернативных матриц графа, также предоставить полезные представления для обучения. Мы представляем Интерполированные Лапласовы Эмбеддинги (ILE), которые выводятся из простого, но выразительного семейства матриц графа. Используя аппарат спектральной теории графов, мы предлагаем straightforward интерпретацию структурной информации, которую фиксируют ILE. Мы демонстрируем с помощью симуляций и экспериментов на реальных наборах данных, что