GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models

📄 arXiv: 2607.19270v1 📥 PDF

作者: Alessandro Scalese, Santhanakrishnan Narayanan, Constantinos Antoniou

分类: cs.LG, cs.AI

发布日期: 2026-07-21

💡 一句话要点

提出GUIDED以解决GNN模型空间转移性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图神经网络 交通分配 空间泛化 特征初始化 异构图注意网络 需求嵌入 数据驱动模型

📋 核心要点

  1. 现有的图神经网络模型在交通分配问题上存在空间泛化差距，限制了其在新环境中的应用。
  2. 本文提出了一种网络无关的初始化层GUIDED，通过将旅行需求作为标量属性注入虚拟链接，解决了传统方法的局限性。
  3. 实验结果表明，集成GUIDED层的HetGAT模型在准确性和鲁棒性上均优于基线方法，且训练时间减少约50%。

📝 摘要（中文）

交通分配问题是交通规划中的一个基本但计算成本高昂的组成部分。尽管图神经网络（GNN）已成为快速的数据驱动替代方案，但其实际应用受到空间泛化差距的严重限制。标准模型依赖于将旅行需求与固定网络拓扑绑定的传导特征初始化，阻碍了在新城市环境中的无缝转移。为克服这一结构性限制，本文提出了一种网络无关的初始化层，称为几何无约束归纳需求嵌入（GUIDED）。通过将旅行需求作为标量属性注入辅助虚拟链接，而不是作为特定节点特征，该模块化框架标准化了输入空间，无论网络规模如何。通过在多个城市拓扑上的广泛实验评估，集成了GUIDED层的异构图注意网络（HetGAT）模型在单网络任务上保持了最先进的预测准确性，同时在面对分布外需求模式时表现出更强的鲁棒性，并在严重数据稀缺的情况下仍保持明显的性能优势。

🔬 方法详解

问题定义：本文旨在解决交通分配问题中的空间泛化差距，现有方法依赖于固定网络拓扑的特征初始化，限制了模型在新城市环境中的有效性。

核心思路：提出的GUIDED层通过将旅行需求作为标量属性注入辅助虚拟链接，而非固定节点特征，从而实现网络无关的特征初始化，增强模型的空间转移能力。

技术框架：整体架构包括一个异构图注意网络（HetGAT），在此基础上集成GUIDED层。该框架通过标准化输入空间，确保模型在不同网络拓扑中的适应性。

关键创新：最重要的创新在于引入了网络无关的初始化层，允许模型在不同城市环境中进行无缝转移，避免了传统方法的输入同质化问题。

关键设计：在设计中，GUIDED层的参数设置经过优化，损失函数考虑了需求的空间分布特性，网络结构则采用了异构图注意机制，以提高对复杂交通模式的适应能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，集成GUIDED层的HetGAT模型在单网络任务上保持了最先进的预测准确性，并在面对分布外需求模式时表现出更强的鲁棒性。与基线方法相比，训练时间减少约50%，在数据稀缺情况下仍保持明显的性能优势。

🎯 应用场景

该研究的潜在应用领域包括城市交通管理、货运物流以及多模式网络优化等。通过提供一种灵活的特征初始化方法，研究成果能够有效提升模型在不同城市环境中的应用价值，促进智能交通系统的发展。

📄 摘要（原文）

The Traffic Assignment Problem is a fundamental but computationally expensive component of transportation planning. While Graph Neural Networks have emerged as fast, data-driven surrogates, their practical deployment is severely constrained by a spatial generalization gap. Standard models rely on transductive feature initializations that tie travel demand to fixed network topologies, preventing seamless transfer to new urban environments. To overcome this structural limitation, this research proposes a network-agnostic initialization layer, termed Geometrically Unconstrained Inductive Demand EmbeDding (GUIDED). By injecting travel demand as a scalar attribute on auxiliary virtual links rather than as specific node features, this modular framework standardizes the input space regardless of network scale. Extensive experimental evaluation across multiple urban topologies demonstrates that a Heterogeneous Graph Attention Network (HetGAT) model integrated with the proposed GUIDED layer maintains state-of-the-art predictive accuracy on single-network tasks, while demonstrating superior robustness to out-of-distribution demand patterns and maintaining a distinct performance advantage over the baseline even under severe data scarcity. Notably, the proposed feature initialization enables highly parameter-efficient domain adaptation for inter-network transfer learning without artificial input homogenization, establishing a robust foundation for truly inductive models. At the same time, the optimized scatter operations of the initialization layer yield an approximate 50% reduction in training time per epoch compared to the baseline approach. Furthermore, while demonstrated on vehicular traffic, this fundamental abstraction of spatial topology provides a versatile blueprint for generalized origin-destination spatial problems, such as freight logistics and multimodal network optimization.