图拓扑上的特征分布中介了图卷积的效果：同质性视角
机器学习
2025-04-15 v2 社会与信息网络
摘要
在同一类别的节点间随机打乱特征向量会如何影响图神经网络（GNN）？直观上，特征打乱会扰动 GNN 学习所依赖的图拓扑与特征之间的依赖关系（A-X 依赖）。令人惊讶的是，我们观察到在特征打乱后，GNN 的性能出现了持续且显著的提升。由于以往文献忽略了 A-X 依赖对 GNN 的影响，因此未能对这一现象提供令人满意的理解。为此，我们提出两个研究问题。首先，在控制潜在混杂因素的情况下，应如何度量 A-X 依赖？其次，A-X 依赖如何影响 GNN？针对这些问题，我们 (i) 提出了一种有原则的 A-X 依赖度量方法，(ii) 设计了一个控制 A-X 依赖的随机图模型，(iii) 建立了关于 A-X 依赖如何与图卷积相关联的理论，以及 (iv) 在真实图上进行了与该理论相符的实证分析。我们得出结论，A-X 依赖中介了图卷积的效果，即较小的依赖能够提升基于 GNN 的节点分类性能。
引用
@article{arxiv.2402.04621,
title = {Feature Distribution on Graph Topology Mediates the Effect of Graph Convolution: Homophily Perspective},
author = {Soo Yong Lee and Sunwoo Kim and Fanchen Bu and Jaemin Yoo and Jiliang Tang and Kijung Shin},
journal= {arXiv preprint arXiv:2402.04621},
year = {2025}
}
备注
published in ICML 2024