摘要

图神经网络（Graph Neural Networks, GNNs）在各类任务中展现出从图结构数据中学习的强大能力。本文研究了集成学习技术在提升图神经网络性能与鲁棒性方面的应用。通过采用不同的初始化方式或网络架构训练多个GNN模型，我们构建了一种名为ELGNN的集成模型，该模型能够捕捉数据的多方面特征，并利用树状结构Parzen估计器（Tree-Structured Parzen Estimator, TPE）算法自动确定各模型的集成权重。通过融合多个模型的预测结果，该方法显著提升了整体预测精度，降低了偏差与方差，并有效缓解了噪声数据带来的负面影响。实验结果表明，集成学习能够有效增强GNN在分析复杂图结构数据方面的能力。相关代码已开源，可通过 https://github.com/wongzhenhao/ELGNN 获取。