图神经网络在结构化数据上能否超越传统方法？

图神经网络何时明显优于传统方法？当连通性是关键信号时。

图神经网络的设计初衷是从实体之间的关系（即图中的边）中学习，而不仅仅依赖独立的特征。这使得它在处理连接本身蕴含意义的结构化数据时具有天然优势。例如，在一项利用大脑结构连接组数据（即脑区及其纤维连接构成的图）进行性别分类的研究中，一个简单的图神经网络在成年参与者上达到了85.1%的准确率，优于随机森林、支持向量机和标准深度神经网络[1]。该图神经网络能够聚合脑图中相邻节点信息的能力，正是其取得优势的关键因素。

同样在医学影像领域，一种基于图神经网络（GNN）的气管树解剖分支标记方法，在18个节段分支上的准确率达到91.18%，而标准CNN为83.83%，现有方法为87.37%[2]。GNN通过“结构感知”能力提升了性能——它让每个节点（气道分支）能够从树状图中的局部邻居节点收集信息。在药物发现中，一种用于预测抗体-药物偶联物有效载荷活性的混合GNN模型，准确率达到91.48%，灵敏度95.08%，特异性97.54%，在专业数据集上优于其他模型[3]。而在分子性质预测方面，一种混合GNN方法在多个基准测试中“显著优于”最先进的基于图的模型[4]。

这一模式始终如一：当数据本身天然具备图结构时——例如分子、脑网络或引文网络——图神经网络（GNNs）能够捕捉到传统方法遗漏的模式，原因在于它们明确建模了节点如何通过连接相互影响。

但传统方法能否超越图神经网络？能——当图具有空间布局时。

并非所有图数据都生而平等。一项2023年的研究直接对比了GNN与CNN在两类图数据上的表现：空间不变图（节点位置无关紧要）与空间可变图（节点位置提供额外信息）。结果清晰表明：在空间可变图中，当图的邻接矩阵类似于欧几里得网格时，标准CNN的表现优于GNN[6]。原因在于，CNN擅长利用空间结构——例如图像中像素的排列方式——而当图的连接性与物理位置相关联时，这种空间结构便成为强有力的信号，而GNN却无法天然地加以利用。

这一发现是一个重要的警示。如果你的“结构化数据”类似于道路网络（其中节点位置——经纬度——至关重要），或是传感器阵列（物理邻近性决定连接关系），那么CNN甚至传统模型可能是更优选择。该研究的作者明确指出：“图中存在空间结构时，CNN能够有效发挥作用，其表现甚至可能超越GNN”[6]。因此，答案并非一概而论的“GNN永远胜出”——关键在于图的含义源自其连接性还是空间布局。

实际权衡是什么？图神经网络需要更多数据，且鲁棒性可能较差。

GNN并非免费的午餐。它们通常需要更大的数据集才能发挥潜力，而且对噪声更为敏感。在一项脑连接组研究中，基于小型儿科数据集训练的GNN表现不佳——准确率显著下降——直到研究人员用成人数据扩充了儿科数据后，最佳GNN在未见过的儿科参与者上达到了83.0%的准确率[1]。这凸显了一个常见挑战：GNN对数据需求量大，而在小型或含噪声的图上，更简单的模型可能更为可靠。

鲁棒性是另一个值得关注的问题。同一项研究测试了对抗鲁棒性（模型处理故意扰动数据的能力），发现简单的图卷积网络（GCN）最为鲁棒，其次是标准的多层感知机，而更复杂的残差图神经网络（GNN）鲁棒性最差[1]。因此，增加GNN的复杂度虽能提升准确率，却可能损害可靠性。另一方面，设计得当的GNN在计算效率上表现优异：用于气道标记的GNN被描述为“计算高效”，并在药物发现领域实现了比传统对接软件快10-100倍的速度提升[5]。结论是：GNN可以超越传统方法，但需要足够干净的数据，并且可能需要在准确率与鲁棒性之间做出权衡。

本文引用的文献

相关研究问题