Edge-Splitting MLP：无需消息传递的 homophilic 与 heterophilic 图的节点分类
机器学习
2024-12-12 v1 机器学习
摘要
消息传递神经网络（MPNN）在 homophilic 图的节点分类任务中取得了显著的成功。然而，它们不仅依赖于 homophily，还依赖于节点邻域分布，即同一类别内邻域标签分布的一致性。基于 MLP 的模型不使用消息传递，例如 Graph-MLP 将邻域信息纳入独立的损失函数中。这些模型更快且对边缘噪声更稳健。Graph-MLP 将相邻节点在嵌入空间中靠得更近，但对标签的邻域模式不敏感，即仅依赖于 homophily。Edge Splitting GNN（ES-GNN）是为 heterophilic 图专门设计的模型，将边分为任务相关与任务无关两类。为缓解 Graph-MLP 在 heterophilic 图上的局限性，我们提出了 ES-MLP，将 Graph-MLP 与 ES-GNN 的边分割机制相结合。它将边分割纳入 Graph-MLP 的损失中，以学习基于相关特征对和无关特征对的两个独立邻接矩阵。我们在七个数据集上进行实验，包含六个基线方法，结果显示 ES-MLP 在所有数据集上均与 homophilic 与 heterophilic 模型相当，且在推理阶段无需使用边。我们表明 ES-MLP 对推理中的多种边缘噪声具有稳健性，其推理速度是常用 MPNN 的两到五倍。源代码已公开于 https://github.com/MatthiasKohn/ES-MLP。
引用
@article{arxiv.2412.08310,
title = {Edge-Splitting MLP: Node Classification on Homophilic and Heterophilic Graphs without Message Passing},
author = {Matthias Kohn and Marcel Hoffmann and Ansgar Scherp},
journal= {arXiv preprint arXiv:2412.08310},
year = {2024}
}
备注
Published at Learning on Graphs, 2024