超越图神经网络中的同配性：当前局限与有效设计
机器学习
2020-10-26 v2 机器学习
摘要
我们研究图神经网络在异配性或低同配性（即相连节点可能具有不同类标签且不相似特征的网络）下的半监督节点分类任务中的表征能力。许多流行的 GNN 在此设定下无法泛化，甚至被忽略图结构的模型（如多层感知机）超越。受此局限启发，我们识别出一组关键设计——自我与邻居嵌入分离、更高阶邻域、以及中间表示的结合——它们提升了在异配性下从图结构学习的能力。我们将它们组合为一个图神经网络 H2GCN，并以其为基础方法实证评估所识别设计的有效性。超越具有强同配性的传统基准，我们的实证分析表明，所识别的设计在合成与真实异配网络上分别将 GNN 准确率较无此设计的模型提升了至多 40% 与 27%，并在同配性下取得有竞争力的性能。
引用
@article{arxiv.2006.11468,
title = {Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs},
author = {Jiong Zhu and Yujun Yan and Lingxiao Zhao and Mark Heimann and Leman Akoglu and Danai Koutra},
journal= {arXiv preprint arXiv:2006.11468},
year = {2020}
}
备注
Accepted to NeurIPS 2020; version with full appendix