利用邻居效应：面向异配图的卷积无关 GNN 框架
机器学习
2023-04-18 v3 人工智能
摘要
由于图卷积网络（GNNs）中的同配假设，图节点分类任务中的一个普遍共识是 GNNs 在同配图上表现良好，但在具有许多类间边的异配图上可能失效。然而，先前的类间边视角及相关同配率指标无法很好地解释 GNNs 在某些异配数据集下的表现，这意味着并非所有类间边都对 GNNs 有害。本文中，我们提出一种基于 von Neumann 熵的新指标来重新审视 GNNs 的异配问题，并从整体邻居可辨识视角研究类间边的特征聚合。此外，我们提出一种简单而有效的卷积无关 GNN 框架（CAGNNs），通过学习每个节点的邻居效应来增强大多数 GNNs 在异配数据集上的性能。具体而言，我们首先将每个节点的特征解耦为用于下游任务的判别特征和用于图卷积的聚合特征。然后，我们提出一个共享混合模块，自适应地评估每个节点的邻居效应以融入邻居信息。所提框架可视为即插即用组件，并与大多数 GNNs 兼容。在九个知名基准数据集上的实验结果表明，我们的框架能显著提升性能，尤其是针对异配图。与 GIN、GAT 和 GCN 相比，平均性能增益分别为 9.81%、25.81% 和 20.61%。大量的消融实验和鲁棒性分析进一步验证了框架的有效性、鲁棒性和可解释性。代码见 https://github.com/JC-202/CAGNN。
引用
@article{arxiv.2203.11200,
title = {Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily},
author = {Jie Chen and Shouzhen Chen and Junbin Gao and Zengfeng Huang and Junping Zhang and Jian Pu},
journal= {arXiv preprint arXiv:2203.11200},
year = {2023}
}
备注
accepted by TNNLS 2023