面向异质性的路径感知有向图学习：DiRW
机器学习
2025-09-22 v3 人工智能
摘要
最近，图神经网络（GNN）作为处理图结构数据的强大表示学习工具不断涌现。然而，大多数方法针对无向图设计，忽略了有向图（digraphs）边缘中丰富信息。事实上，有向图在现实世界中广泛应用且被证实能够解决异质性挑战。尽管近期取得的进展，现有的基于空间和频谱的DiGNN因其复杂的学习机制和依赖高质量拓扑结构，导致效率低下且性能不稳定。为此，我们提出了有向随机游走（DiRW），一种可即插即用于大多数基于空间的DiGNN的策略，也是一种创新的模型，提供了一种新的有向图学习范式。具体而言，它利用基于节点轮廓和拓扑结构的方向感知路径抽样器，在无权重的情况下从.walk概率、长度和数量的角度进行优化。基于此，DiRW采用可学习的路径聚合器进行节点级聚合，以实现更通用的节点表示。广泛的实验在9个数据集上表明，DiRW：（1）作为可插即用的策略大幅提升了大多数基于空间的方法；（2）作为新的有向图学习范式实现了SOTA性能。源代码和数据已发布于https://github.com/dhsiuu/DiRW。
引用
@article{arxiv.2410.10320,
title = {DiRW: Path-Aware Digraph Learning for Heterophily},
author = {Daohan Su and Xunkai Li and Zhenjun Li and Yinping Liao and Rong-Hua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2410.10320},
year = {2025}
}