DuoGNN: 具有同质性与异质性交互解耦的拓扑感知图神经网络
机器学习
2024-11-05 v2 社会与信息网络
摘要
图神经网络（GNN）在多种医学影像应用（如自动疾病诊断）中已被证明有效。然而，由于这些模型在消息传递中采用局部邻域聚合范式，它们固有地存在两个基本限制：首先，由于异质性节点聚合导致节点嵌入难以区分（称为过平滑）；其次，由于通过图瓶颈进行聚合导致消息传递受损（称为过挤压）。这些挑战阻碍了模型的表达能力，并阻止我们使用更深层的模型来捕获图内长程节点依赖关系。文献中的流行解决方案要么因时间复杂度高而难以处理大图，要么无法泛化到所有图拓扑结构。为解决这些限制，我们提出了DuoGNN，一种可扩展且可泛化的架构，它利用拓扑结构解耦同质性和异质性边，并捕获短程和长程交互。我们的三个核心贡献引入了：（i）一种拓扑边过滤算法，用于提取同质性交互并使模型能够良好泛化到任何图拓扑；（ii）一种异质性图浓缩技术，用于提取异质性交互并确保可扩展性；（iii）一个双同质性和异质性聚合流水线，用于在消息传递过程中防止过平滑和过挤压。我们在医学和非医学节点分类数据集上对我们的模型及其变体进行了基准测试，结果显示在所有任务上均有一致的改进。我们的DuoGNN代码可在https://github.com/basiralab/DuoGNN获取。
引用
@article{arxiv.2409.19616,
title = {DuoGNN: Topology-aware Graph Neural Network with Homophily and Heterophily Interaction-Decoupling},
author = {K. Mancini and I. Rekik},
journal= {arXiv preprint arXiv:2409.19616},
year = {2024}
}