超越固定深度：面向异构性图的自适应图神经网络节点分类
机器学习
2025-11-11 v1 人工智能
摘要
图神经网络 (GNN) 已在解决节点分类任务方面取得显著进展。然而，传统 GNNs 在异构性图上效果下降，在这些图中，相连的节点常属于不同标签或属性。虽然最近的研究引入了机制来提高 GNN 在异构性情景下的性能，但仍存在一些关键局限性。大多数现有模型在所有节点上应用固定的聚合深度，忽略了节点可能根据其局部同质性水平和邻域结构需要不同的传播深度。此外，许多方法针对同质性或异构性设置进行调制，缺乏在两者之间普适的灵活性。为了应对这些挑战，我们发展了一个理论框架，将局部结构和标签特征与节点级别的信息传播动力学联系起来。我们的分析表明，最优聚合深度在节点级别有所不同，对保留类别判别信息至关重要。基于这一洞见，我们提出一种新型自适应深度 GNN 架构，该架构使用理论依据的度量动态选择节点特定的聚合深度。我们的方法在统一的模型中无缝适应同质性和异构性模式。广泛的实验表明，我们的方法在各种基准数据集上一致地提高了标准 GNN 背板的性能。
引用
@article{arxiv.2511.06608,
title = {Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily},
author = {Asela Hevapathige and Asiri Wijesinghe and Ahad N. Zehmakan},
journal= {arXiv preprint arXiv:2511.06608},
year = {2025}
}
备注
Accepted to AAAI 2026