ES-GNN：通过边分裂使图神经网络泛化至同配性之外
机器学习
2024-09-18 v5
摘要
尽管图神经网络（GNN）在多项图分析任务中取得了巨大成功，现代变体大多依赖于同配性的强归纳偏置。然而，真实网络通常同时呈现同配与异配的连接模式，其中相邻节点可能共享不相似属性与不同标签。因此，GNN 整体平滑节点邻近性可能会聚合任务相关与无关（甚至有害）的信息，限制其泛化至异配图的能力并可能导致非鲁棒性。本工作中，我们提出一种新颖的边分裂 GNN（ES-GNN）框架，以自适应区分与学习任务相关或不相关的图边。这本质上将原始图动态转换为具有相同节点集但互补边集的两个子图。据此，在这些子图上分别进行信息传播与边分裂交替执行，从而解耦任务相关与无关特征。理论上，我们表明 ES-GNN 可视为解耦图去噪问题的解，这进一步阐释了我们的动机并解释了超越同配性的改进泛化。在 11 个基准与 1 个合成数据集上的大量实验不仅证明了 ES-GNN 的有效性能，还凸显了其对对抗图的鲁棒性及缓解过平滑问题。
引用
@article{arxiv.2205.13700,
title = {ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge Splitting},
author = {Jingwei Guo and Kaizhu Huang and Rui Zhang and Xinping Yi},
journal= {arXiv preprint arXiv:2205.13700},
year = {2024}
}