流形GCN: 基于扩散的流形值图卷积神经网络

《INTERNATIONAL JOURNAL OF COMPUTER VISION》：Manifold GCN: Diffusion-based Convolutional Neural Network for Manifold-valued Graphs

　　

研究人员提出了两种用于特征位于黎曼流形（Riemannian manifold）上的图的图神经网络层。首先，基于流形值图扩散方程（manifold-valued graph diffusion equation），构造了一个扩散层（diffusion layer），可应用于任意数量的节点和图连接模式。其次，通过将向量神经元框架（vector neuron framework）的思想迁移到一般设置，建模了一个切向多层感知器（tangent multilayer perceptron）。这两层在节点排列（node permutations）和特征流形的等距变换（isometries）下是等变的（equivariant）。这些性质在许多深度学习任务中产生了有益的先验归纳偏置（inductive bias）。此外，它们实现了新颖、更灵活的特征设计。关于合成数据和右海马体三角网格上的阿尔茨海默病分类应用的数值例子证明了新层的实用性：虽然它们可应用于更广泛的问题类别，但在任务特定的最先进网络上表现更优。

### 论文解读：流形GCN——基于扩散的流形值图卷积神经网络

**研究背景与问题**
图神经网络（Graph Neural Networks, GNNs）在生物信息学、物理学和社会科学等领域广泛应用，其核心依赖于节点特征。然而，绝大多数GNN假设特征位于欧氏空间（Euclidean space），而许多实际数据位于非平坦流形（non-flat manifold）中，例如球面（sphere）、特殊正交群SO(3)（special orthogonal group）、对称正定（Symmetric Positive Definite, SPD）矩阵空间、施蒂费尔流形（Stiefel manifold）和格拉斯曼流形（Grassmannian manifold）。现有方法仅针对特定流形设计（如常曲率空间或SPD空间），无法处理一般黎曼流形（Riemannian manifold）上的特征。为解决这一局限性，研究人员提出了流形GCN（Manifold GCN），该网络能够应用于任何可高效逼近测地线（geodesic）的黎曼流形，具有更广泛的适用性。论文发表在《INTERNATIONAL JOURNAL OF COMPUTER VISION》。

**研究内容与结论**
研究人员构建了一种包含两种新层的GNN架构：扩散层（diffusion layer）和切向多层感知器（tangent multilayer perceptron, tMLP）。扩散层基于流形值图扩散方程（manifold-valued graph diffusion equation），通过显式欧拉离散（explicit Euler discretization）实现局部特征聚合；tMLP借鉴向量神经元框架（vector neuron framework），在切空间（tangent space）中进行线性组合与非线性激活。这两层在节点排列（node permutations）和特征流形的等距变换（isometries）下均具有等变性（equivariance），从而引入有益的归纳偏置（inductive bias）。数值实验包括合成图分类和海马体三角网格上的阿尔茨海默病（Alzheimer’s disease, AD）分类，结果表明：尽管流形GCN可应用于更广泛的问题，它在两项任务上均超越了任务特定的最先进网络，且参数更少、对小数据集更高效。

**关键技术方法**（不超过250字）
主要技术方法包括：（1）扩散层：基于流形值图扩散方程，采用“非线性激活的显式欧拉步”实现信息聚合，通过多个时间步（step）扩展感受野至?跳邻域，并证明其等变性。（2）切向多层感知器（tMLP）：在参考点切空间中计算线性组合，经等变激活函数（基于sigmoid的向量缩放）后映射回流形，实现通道间信息融合，同样具有等变性。（3）等变激活函数：对切向量进行非线性缩放，参数可学习。（4）嵌入策略：利用特征空间的等距对称性，提出one-hot嵌入（one-hot embedding），将节点排列与流形等距变换关联。样本队列来源：AD分类实验数据来自阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative, ADNI）数据库，包含60例AD患者和60例认知正常（CN）对照者的右海马体三角网格。

**研究结果**
**Synthetic Graphs（合成图分类）**
通过分类三种随机图生成算法（Erd?s-Renyi, Barabasi-Albert, Watts-Strogatz）评估网络性能。研究人员采用Lorentz模型（双曲空间H¹⁰⁰）和SPD(15)空间作为嵌入空间，并与双曲图神经网络（Hyperbolic Graph Neural Network, HGNN）和双曲到双曲图卷积神经网络（Hyperbolic-to-Hyperbolic Graph Convolutional Neural Network, H2H-GCN）比较。结果显示：流形GCN（采用one-hot嵌入）在多种样本量（90至2880图）下均取得最高F1分数，且参数更少。例如，在2880图数据集上，流形GCN在H¹⁰⁰中达到（宏）F1分数约0.86，而HGNN约为0.84，H2H-GCN约为0.80。在大规模6000图数据集上，流形GCN在H¹⁰⁰中准确率为86.1%，在SPD(15)中为85.0%，均优于对比方法。网络对深度和宽度变化不敏感，性能稳定。
**Alzheimer’s disease（阿尔茨海默病分类）**
基于右海马体三角网格的1-骨架及其对偶图，采用两种流形值特征：（1）顶点法线（标准球面S²特征），（2）微分坐标（differential coordinates，来自SO(3)×SPD(3)流形）。与DiffusionNet、Mesh CNN和欧氏GCN相比，流形GCN在两种特征上均达到最高平均准确率：法线特征为90.7%，微分坐标特征为93.5%。消融研究显示，移除扩散层、tMLP或破坏等变性均导致性能显著下降（准确率降低约10-15个百分点），验证了各组件的重要性。

**总结讨论**
研究人员总结指出，所提出的扩散层和tMLP具有领域和特征空间的对称等变性，能够处理多种流形，且在小样本条件下表现优异。这些性质促进了新颖的图嵌入策略（如one-hot嵌入），显著提升了性能。未来方向包括：基于隐式欧拉离散的扩散层以缓解过压缩（over-squashing）和瓶颈（bottleneck）问题；使用p-拉普拉斯算子（p-Laplacian, p≠2）；引入注意力机制（attention mechanism）以进一步提升性能。
**研究结论翻译**：研究人员提出了两种用于流形值特征的新GNN层。它们在图的域和特征空间的对称性下是等变的，并可组合形成高度通用的GNN块，适用于许多深度学习任务。与现有GNN方法不同，这些层能处理来自多种流形的数据，为流形值数据的深度学习应用开辟了新途径。基于这些层的网络在图分类任务中表现优异：尽管适用更广泛，它们仍超越了任务特定的最先进模型。特征空间等变性促进了新颖的图嵌入策略，该策略利用图节点排列与双曲空间及SPD空间中等距变换之间的关系，显著提升了基于度嵌入的性能。小样本测试表明，由于等变性引入的额外归纳偏置，这些架构所需的训练数据更少，这在数据难以获取的医学形状分析等领域具有潜在价值。