图神经网络在异配图上寻找全局同配性
机器学习
2022-05-17 v1 人工智能
摘要
我们研究图神经网络在具有异配性的图上的表现。一些现有方法通过多跳邻居扩充节点的邻域，以包含更多具有同配性的节点。然而，为不同节点设定个性化邻域大小是一大挑战。此外，对于邻域中未被包含的其它同配节点，它们在信息聚合中被忽略。为解决这些问题，我们提出两个模型 GloGNN 和 GloGNN++，它们通过聚合图中全局节点的信息来生成节点嵌入。在每一层中，两个模型都学习一个系数矩阵以捕捉节点间相关性，并据此执行邻域聚合。该系数矩阵允许取负值，且由一个具有闭式解的优化问题导出。我们进一步加速邻域聚合并推导出线性时间复杂度。我们通过证明系数矩阵和生成的节点嵌入矩阵都具有期望的分组效应，从理论上解释了模型的有效性。我们进行了大量实验，在 15 个广泛领域、规模和图异配程度的基准数据集上将我们的模型与 11 个其他竞争方法比较。实验结果表明我们的方法取得了优越性能且非常高效。
引用
@article{arxiv.2205.07308,
title = {Finding Global Homophily in Graph Neural Networks When Meeting Heterophily},
author = {Xiang Li and Renyu Zhu and Yao Cheng and Caihua Shan and Siqiang Luo and Dongsheng Li and Weining Qian},
journal= {arXiv preprint arXiv:2205.07308},
year = {2022}
}
备注
To appear in ICML 2022