有向同质性感知图神经网络
机器学习
2026-01-14 v3
摘要
图神经网络（GNN）在图结构数据的各种学习任务中取得了显著成功。然而，大多数 GNN 难以泛化到异配邻域。此外，许多 GNN 忽略了现实世界图的有向性，导致在具有非对称结构的有向图上表现欠佳。在本工作中，我们提出了有向同质性感知图神经网络（DHGNN），这是一种通过结合同质性感知和方向敏感组件来解决这些局限性的新颖框架。DHGNN 采用可重置的门控机制，基于同质性水平和信息量自适应调节消息贡献，并采用一个结构感知的容噪融合模块，以有效整合来自正向和反向的节点表示。在同配和异配有向图数据集上的大量实验表明，DHGNN 在节点分类和链路预测上优于 SOTA 方法。特别地，在链路预测中，DHGNN 相比最佳基线提升了高达 15.07%。我们的分析进一步表明，门控机制能够捕捉有向同质性差异以及跨层的同质性波动，为复杂图结构上的消息传递行为提供了更深刻的见解。
引用
@article{arxiv.2505.22362,
title = {Directed Homophily-Aware Graph Neural Network},
author = {Aihu Zhang and Jiaxing Xu and Mengcheng Lan and Shili Xiang and Yiping Ke},
journal= {arXiv preprint arXiv:2505.22362},
year = {2026}
}