LEED: Local Embedding Evolution Distance for over-smoothing estimation and virtual node selection in GNN
Graph Neural Networks 面临过平滑与过压缩两大局限，本文提出局部嵌入演化距离（LEED）作为新型局部指标以量化过平滑。LEED 通过追踪各层节点嵌入的演化进行节点级分析，揭示全局能量度量无法捕捉的异质化过平滑模式，并生成基于嵌入的中心性评分。研究利用 LEED 设计虚拟节点选择策略，以替代依赖多重启发式中心性指标的现有方法，构建局部虚拟节点以缓解过压缩问题。实验表明，LEED 在保留全局评估的同时提供更丰富的诊断信息，并能更有效地整合虚拟节点，从而提升 GNN 在多数据集上的性能。