发现异质图的不变邻域模式
机器学习
2025-08-18 v2 社会与信息网络
摘要
本文研究了非同质图上的分布迁移问题。大多数图神经网络方法依赖的是同质性假设，即来自同一类的节点更可能相互连接。然而，这种同质性假设在现实图中并不总是成立，这导致前述方法未能 account于更复杂的分布迁移。非同质图上的邻域模式分布迁移更为多样化。我们提出了一种新的不变邻域模式学习（INPL）方法，以缓解非同质图上的分布迁移问题。具体而言，我们提出了自适应邻域传播（ANP）模块来捕获自适应邻域信息，从而能够缓解非同质图上的邻域模式分布迁移问题。我们提出了不变非同质图学习（INHGL）模块，以约束 ANP 并在非同质图上学习不变的图表示。大量实验结果表明，在真实的非同质图上，INPL 能实现在大型非同质图上的最先进性能。
引用
@article{arxiv.2403.10572,
title = {Discovering Invariant Neighborhood Patterns for Heterophilic Graphs},
author = {Jinluan Yang and Ruihao Zhang and Zhengyu Chen and Teng Xiao and Yueyang Wang and Fei Wu and Kun Kuang},
journal= {arXiv preprint arXiv:2403.10572},
year = {2025}
}