[论文解读] Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation

Zimo Yan, Zheng Xie+3 more|arXiv (Cornell University)|Jan 8, 2026

Advanced Graph Neural Networks被引用 0

一句话总结

该论文将基于锚点的距离编码与截断扩散/谱坐标之间的代数桥接形式化，给出重建保证并显示基于距离的 Nyström 近似能够紧密恢复扩散几何；在 DDI 任务上进行了评估，效果优于 NoPE 基线。

ABSTRACT

Molecular graph learning benefits from positional signals that capture both local neighborhoods and global topology. Two widely used families are spectral encodings derived from Laplacian or diffusion operators and anchor-based distance encodings built from shortest-path information, yet their precise relationship is poorly understood. We interpret distance encodings as a low-rank surrogate of diffusion geometry and derive an explicit trilateration map that reconstructs truncated diffusion coordinates from transformed anchor distances and anchor spectral positions, with pointwise and Frobenius-gap guarantees on random regular graphs. On DrugBank molecular graphs using a shared GNP-based DDI prediction backbone, a distance-driven Nyström scheme closely recovers diffusion geometry, and both Laplacian and distance encodings substantially outperform a no-encoding baseline.

研究动机与目标

• 有动机地并形式化地阐明锚点基距离编码如何与分子图中的扩散几何相关。
• 推导一个显式的 trilateration 映射，将变换后的锚点距离映射到截断的扩散坐标。
• 在随机正则图假设下给出逐点和 Frobenius 间隙误差保证。
• 证明基于距离的 Nyström 近似能够在 DrugBank 图上恢复扩散几何。
• 在共享 GNP 主体下评估距离/拉普拉斯编码对药物-药物相互作用预测的影响。

提出的方法

• 定义两类位置编码族：基于锚点的距离编码和截断的拉普拉斯谱坐标。
• 使用锚点坐标开发一个显式 trilateration 运算符，将距离特征映射到谱坐标。
• 在具有局部单调距离连接的随机正则图模型下证明逐点和 Frobenius 间隙界。
• 利用基于距离的 Nyström 方案近似 DrugBank 图上的扩散几何，并评估核/嵌入精度。
• 在共享的 Graph Neural Process 主体中，系统性比较 NoPE、距离编码（DE）和 Laplacian PE（LapPE）在 DDI 预测中的表现。

实验结果

研究问题

• RQ1 我们是否能够从变换后的锚点距离编码构建一个显式代数映射到截断的扩散坐标，并给出可证明的误差保证？
• RQ2 在什么图结构条件下距离编码能够较准确地近似扩散几何，重建误差有多大？
• RQ3 基于距离的 Nyström 近似是否能在真实分子图上紧密恢复扩散几何？
• RQ4 NoPE、距离编码和 Laplacian PE 如何影响下游的 DDI 预测性能？
• RQ5 在随机正则图设置下，距离编码相对于 NoPE 的表达能力提升是什么？

主要发现

数据集	方法	Test AUROC	Test F1
DrugBank	NoPE	0.890 ± 0.002	0.820 ± 0.003
DrugBank	DE	0.976 ± 0.002	0.927 ± 0.004
DrugBank	LapPE	0.980 ± 0.003	0.934 ± 0.006
ChCh-Miner	NoPE	0.938 ± 0.003	0.870 ± 0.002
ChCh-Miner	DE	0.938 ± 0.006	0.869 ± 0.004
ChCh-Miner	LapPE	0.946 ± 0.002	0.879 ± 0.003

• 拉普拉斯编码和距离编码在 DDI 预测上均优于无编码基线，且 LapPE 提供最一致的增益。
• 在 DrugBank 上，NoPE/AUC/F1=0.890/0.820，DE=0.976/0.927，LapPE=0.980/0.934（AUROC/F1）。
• 在 ChCh-Miner 上，NoPE=0.938/0.870，DE=0.938/0.869，LapPE=0.946/0.879（AUROC/F1）。
• Anchor 驱动的 Nyström 近似能够准确恢复 DrugBank 上的扩散几何，相对核 Frobenius 误差约为 0.024，坐标 MSE 约为 3.9e-4。
• 理论保证在随机正则图假设下给出逐点和 Frobenius 间隙边界的重建结果。
• 改变距离变换和锚点数量会影响性能，其中等距拟合提供了 SPD 与扩散距离之间的良好单调联系。