边方向性改进异配图上的学习
机器学习
2023-11-29 v3 社会与信息网络
摘要
图神经网络（GNNs）已成为建模关系数据的实际标准工具。然而，尽管许多真实世界图是有向的，当今大多数 GNN 模型通过简单地将图变为无向来完全丢弃该信息。其历史原因有：1）许多早期谱 GNN 变体明确要求无向图，2）首批同配图基准未从使用方向中发现显著增益。在本文中，我们展示在异配设置中，将图视为有向会提高图的有效同配性，暗示正确使用方向性信息可能带来增益。为此，我们引入有向图神经网络（Dir-GNN），一种用于有向图深度学习的新型通用框架。Dir-GNN 可通过分别对入边和出边执行聚合，用于将任何消息传递神经网络（MPNN）扩展以考虑边方向性信息。我们证明 Dir-GNN 匹配有向 Weisfeiler-Lehman 测试的表达能力，超越常规 MPNN。在广泛实验中，我们验证我们的框架在同配数据集上保持性能不变，但在异配基准上相较 GCN、GAT 和 GraphSage 等基础模型带来大幅提升，优于复杂得多的方法并取得了新的 SOTA 结果。
引用
@article{arxiv.2305.10498,
title = {Edge Directionality Improves Learning on Heterophilic Graphs},
author = {Emanuele Rossi and Bertrand Charpentier and Francesco Di Giovanni and Fabrizio Frasca and Stephan Günnemann and Michael Bronstein},
journal= {arXiv preprint arXiv:2305.10498},
year = {2023}
}