探索异构图神经网络中的拓扑偏差
机器学习
2025-12-16 v1 机器学习
摘要
GNN 以其处理图结构数据的能力为特征。然而，由于半监督学习下标签的稀疏性，已发现它们在特定节点上表现出有偏差的性能。这种偏差已被证明与拓扑结构相关，并被认为是 GNN 性能的瓶颈。现有工作侧重于研究同构 GNN，而很少关注异构图神经网络中的拓扑偏差。在这项工作中，首先，为了区分不同的元关系，我们对异构图的邻接矩阵应用元加权。基于修改后的邻接矩阵，我们利用 PageRank 以及节点标签信息来构建投影。当使用包含和不包含类型内连接的数据集时，所构建的投影有效地将节点映射到与模型性能强相关的值上，这证明了 HGNN 中拓扑偏差的普遍存在。为了处理这种偏差，我们提出了一种基于节点映射值差异的去偏差结构，并将其与原始图结构一起用于对比学习。在三个公开数据集上的实验验证了所提出方法在提高 HGNN 性能和去偏差方面的有效性。
引用
@article{arxiv.2512.11846,
title = {Exploring Topological Bias in Heterogeneous Graph Neural Networks},
author = {Yihan Zhang},
journal= {arXiv preprint arXiv:2512.11846},
year = {2025}
}