增强异配图上类内信息提取：一种神经架构搜索方法
机器学习
2022-11-22 v1
摘要
近年来，图神经网络（GNNs）在图表示学习中颇受欢迎，其假设同配性，即相连节点具有相同标签或相似特征。然而，它们可能难以推广到具有低/中等水平同配性的异配图。现有方法倾向于通过增强类内信息提取来解决此问题，即通过设计更好的 GNNs 来提高模型有效性，或重新设计图结构以从远距离跳中纳入更多潜在类内节点。尽管取得了成功，我们观察到两个方面可进一步改进：（a）增强来自节点自身的自我特征信息提取，这在提取类内信息方面更可靠；（b）设计节点级 GNNs 可更好地适应具有不同同配性比例的节点。在本文中，我们提出一种新方法 IIE-GNN（类内信息增强图神经网络）来实现两项改进。基于文献提出了一个统一框架，其中基于七个精心设计的块可从节点自身和邻居提取类内信息。借助神经架构搜索（NAS），我们基于该框架提出了一种新颖的搜索空间，然后提供一个架构预测器为每个节点设计 GNNs。我们进一步通过实验表明，IIE-GNN 可通过设计节点级 GNNs 增强类内信息提取来提升模型性能。
引用
@article{arxiv.2211.10990,
title = {Enhancing Intra-class Information Extraction for Heterophilous Graphs: One Neural Architecture Search Approach},
author = {Lanning Wei and Zhiqiang He and Huan Zhao and Quanming Yao},
journal= {arXiv preprint arXiv:2211.10990},
year = {2022}
}