通过分离学习澄清混淆节点

图神经网络（GNNs）在面向图的任务中取得了显著进展。然而，真实世界图不可避免地含有一定比例的异配节点，挑战了传统 GNNs 的同配假设并阻碍其性能。现有研究大多继续设计在异配与同配节点间共享权重的通用模型。尽管引入了高阶消息或多通道架构，这些努力常显不足。少数研究尝试对不同节点组分别训练，但受限于不恰当的分离指标与低效率。本文中，我们首先提出一种称为邻域混淆（NC）的新指标，以促进更可靠的节点分离。我们观察到，具有不同 NC 值水平的节点组在组内准确率与可视化嵌入上表现出一定差异。这些为邻域混淆引导的图卷积网络（NCGCN）奠定了基础，其中节点按其 NC 值分组，并接受组内权重共享与消息传递。在同配与异配基准上的大量实验表明，我们的框架能有效分离节点，并相较最新方法取得显著性能提升。源代码将发布于 https://github.com/GISec-Team/NCGNN。