यह शोधपत्र ग्राफ न्यूरल नेटवर्क (GNN) में आकार-प्रेरित वितरण बदलाव की मुख्य चुनौती और बड़े ग्राफ़ पर GNN के सामान्यीकरण पर इसके प्रभाव को संबोधित करता है। मौजूदा शोध ने वितरण बदलाव के बारे में अलग-अलग धारणाएँ बनाई हैं, जिससे GNN की सामान्यीकरण क्षमता के बारे में परस्पर विरोधी निष्कर्ष निकले हैं। यह शोधपत्र आकार-प्रेरित वितरण बदलाव के प्रकारों की पहचान और उनकी विशेषता बताने के लिए एक डेटा-संचालित दृष्टिकोण अपनाता है और स्पेक्ट्रल बदलाव के एक बड़े पैमाने पर अनदेखे परिप्रेक्ष्य से GNN प्रदर्शन पर उनके प्रभाव की पड़ताल करता है। वास्तविक दुनिया के जैविक डेटासेट में ग्राफ के आकार में पर्याप्त भिन्नता का फायदा उठाते हुए, हम जैविक ग्राफ़ का विश्लेषण करते हैं और पाते हैं कि सबग्राफ पैटर्न (जैसे, औसत चक्र लंबाई) द्वारा संचालित स्पेक्ट्रल अंतर बड़े होते हैं और अनदेखे ग्राफ़ पर GNN प्रदर्शन के साथ दृढ़ता से सहसंबद्ध होते हैं। पांच डेटासेट पर छह जीएनएन आर्किटेक्चर और सात मॉडल-स्वतंत्र रणनीतियों का उपयोग करके व्यापक प्रयोगों के माध्यम से, हम प्रदर्शित करते हैं कि प्रस्तावित आकार-गहन ध्यान रणनीति परीक्षण ग्राफ पर ग्राफ वर्गीकरण में महत्वपूर्ण रूप से सुधार करती है जो प्रशिक्षण ग्राफ से 2-10 गुना बड़ा है, जिससे मजबूत आधार रेखाओं पर F1 स्कोर में 8% तक सुधार होता है।
