基于图神经网络的消歧节点分类

图神经网络（GNNs）在从各种领域的图结构数据中学习方面取得了显著成功。尽管它们取得了巨大成功，但现有工作往往忽视了一个关键挑战，即消息传播的学习如何能有效泛化到代表性不足的图区域。这些少数区域通常表现出不规则的同配性/异配性模式以及多样化的邻域类别分布，从而导致歧义。在这项工作中，我们研究了GNNs中的歧义问题、其对表征学习的影响，以及开发更丰富的监督信号来对抗此问题。我们对GNN进行了细粒度评估，分析了不同图区域中歧义的存在性及其与节点位置的关系。为了消歧节点嵌入，我们提出了一种新方法，{\method}，该方法利用额外的优化指导来增强表征学习，特别是针对歧义区域中的节点。{\method}基于预测的时间不一致性来识别歧义节点，并通过以拓扑感知的方式进行对比学习来引入消歧正则化。{\method}促进了节点表征的判别性，并能缓解由消息传播引起的语义混合，从而有效解决歧义问题。实证结果验证了{\method}的效率，并突显了其在代表性不足的图区域中提升GNN性能的潜力。