Bài báo này đề cập đến thách thức cốt lõi của sự dịch chuyển phân phối do kích thước gây ra trong mạng nơ-ron đồ thị (GNN) và tác động của nó đến việc khái quát hóa GNN sang các đồ thị lớn hơn. Các nghiên cứu hiện có đã đưa ra nhiều giả định khác nhau về sự dịch chuyển phân phối, dẫn đến những kết luận trái ngược nhau về khả năng khái quát hóa của GNN. Bài báo này áp dụng phương pháp tiếp cận dựa trên dữ liệu để xác định và mô tả các loại dịch chuyển phân phối do kích thước gây ra và khám phá tác động của chúng đến hiệu suất GNN từ góc độ dịch chuyển phổ chưa được khám phá rộng rãi. Khai thác sự khác biệt đáng kể về kích thước đồ thị trong các tập dữ liệu sinh học trong thế giới thực, chúng tôi phân tích các đồ thị sinh học và thấy rằng sự khác biệt về phổ do các mẫu đồ thị con gây ra (ví dụ: độ dài chu kỳ trung bình) lớn hơn và có mối tương quan mạnh với hiệu suất GNN trên các đồ thị không nhìn thấy. Dựa trên những hiểu biết này, chúng tôi đề xuất ba chiến lược độc lập với mô hình để cải thiện khả năng nhận dạng của GNN đối với các mẫu đồ thị con quan trọng và chúng tôi thấy rằng sự chú ý tập trung vào kích thước là phương pháp hiệu quả nhất. Thông qua các thử nghiệm mở rộng sử dụng sáu kiến trúc GNN và bảy chiến lược độc lập với mô hình trên năm tập dữ liệu, chúng tôi chứng minh rằng chiến lược chú ý chuyên sâu vào kích thước được đề xuất cải thiện đáng kể khả năng phân loại đồ thị trên đồ thị thử nghiệm lớn hơn đồ thị đào tạo từ 2-10 lần, cải thiện điểm F1 lên đến 8% so với đường cơ sở mạnh.
