ATLAS：面向 homophilic 与 heterophilic 图的自适应拓扑学习

图神经网络(GNNs)在 homophilic 图（相邻节点共享标签）中表现出色，但在 heterophilic 图（边不暗示相似性）中受限。此外，迭代消息传递限制了其可扩展性 due to neighborhood expansion overhead。我们引入 ATLAS(Adaptive Topology-based Learning at Scale)，一种无需消息传递的框架，通过多分辨率社区特征而非消息传递来编码图结构。我们首先证明，社区细化涉及根本性的权衡：更细的分区增加标签-社区互信息，同时也增加熵。我们形式化了何时进行细化可改善归一化互信息的条件，解释了为何中间粒度往往最具预测性。ATLAS 采用模块化引导的自适应搜索以自动识别信息丰富的社区尺度，这些尺度经 one-hot 编码后映射到可学习的嵌入，并与节点属性拼接用于 MLP 分类。这使得标准的 mini-batch 训练和运行后无邻接推断成为可能。在 13 个基准测试中包括百万节点图上，ATLAS 实现了具有竞争力或更好准确率的性能，heterophilic 数据集上相较 GCN 最高提升 20 分，homophilic 图上相较 MLP 最高提升 12 分。通过将拓扑结构视为显式特征，ATLAS 能够自适应地在信息有用时利用结构，在结构弱关联时保持鲁棒，避免在结构误导时进行传播，提供可扩展的性能和可解释的结构洞察。