自适应异构图神经网络：桥接异配性与异质性
机器学习
2025-08-11 v1 人工智能
摘要
异构图在现实场景中很常见，且通常表现出异配性。然而，现有的大多数研究仅孤立地关注异质性或异配性，忽视了异配异构图在实际应用中的普遍性。这种忽视导致了其性能下降。在本工作中，我们首先识别了异配异构图建模中的两个主要挑战：（1）不同跳数和元路径间的异配性分布各异；（2）不同元路径间复杂且通常由异配性驱动的语义信息多样性。然后，我们提出了自适应异构图神经网络（AHGNN）来应对这些挑战。AHGNN 采用异配感知卷积，考虑了特定于跳数和元路径的异配性分布。随后，它使用由粗到细的注意力机制整合来自不同语义空间的消息，该机制可过滤噪声并强调信息性信号。在七个真实世界图和二十个基线上的实验证明了 AHGNN 的优越性能，特别是在高异配性情况下。
引用
@article{arxiv.2508.06034,
title = {Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity},
author = {Qin Chen and Guojie Song},
journal= {arXiv preprint arXiv:2508.06034},
year = {2025}
}
备注
Accepted tp CIKM 2025