面向同配与异配图的双频滤波自感知图神经网络
机器学习
2024-11-19 v1
摘要
图神经网络（GNN）在处理图结构数据方面表现出色，吸引了大量研究兴趣。然而，两个主要挑战已经显现：拓扑与属性之间的干扰扭曲了节点表示，以及大多数 GNN 的低通滤波特性导致忽略了图信号中有价值的高频信息。这些问题在异配图中尤为突出。为了解决这些挑战，我们提出了双频滤波自感知图神经网络（DFGNN）。DFGNN 集成了低通和高通滤波器，以提取平滑和细节的拓扑特征，并使用频率特定的约束来最小化相应频带中的噪声和冗余。该模型动态调整滤波比率以适应同配图和异配图。此外，DFGNN 通过其各自频带之间的动态对应关系来对齐拓扑和属性表示，从而减轻干扰，增强整体模型性能和表达能力。在基准数据集上进行的大量实验表明，DFGNN 在分类性能上优于最先进的方法，突显了其在处理同配图和异配图方面的有效性。
引用
@article{arxiv.2411.11284,
title = {Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs},
author = {Yachao Yang and Yanfeng Sun and Jipeng Guo and Junbin Gao and Shaofan Wang and Fujiao Ju and Baocai Yin},
journal= {arXiv preprint arXiv:2411.11284},
year = {2024}
}
备注
11pages,17figures