从谱域角度解决图异质性和异配性
机器学习
2025-04-14 v2
摘要
图神经网络(GNNs)在半监督节点分类任务中表现出色。尽管如此，仍然存在两个主要挑战：异质性和异配性。这两个挑战中的每一个都可能显著阻碍GNN的性能。异质性指的是图包含多种类型的节点或边，而异配性指的是相连节点更可能具有不同的属性或标签。尽管已有少数研究异质异配图的工作，但它们要么只考虑特定元路径的异配性而缺乏表达能力，要么具有高表达能力但未能利用高阶邻居。在本文中，我们提出了一种异质异配谱图神经网络(H2SGNN)，它采用两个模块：局部独立滤波和全局混合滤波。局部独立滤波在不同同配性下自适应地学习节点表示，而全局混合滤波利用高阶邻居来学习更多可能的元路径。在四个数据集上进行了大量实验，以验证所提出的H2SGNN的有效性，该网络以更少的参数和内存消耗实现了优越的性能。代码可在GitHub仓库获取：https://github.com/Lukangkang123/H2SGNN/。
引用
@article{arxiv.2410.13373,
title = {Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective},
author = {Kangkang Lu and Yanhua Yu and Zhiyong Huang and Yunshan Ma and Xiao Wang and Meiyu Liang and Yuling Wang and Yimeng Ren and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2410.13373},
year = {2025}
}