流向决定：面向异质性图的方向性与表达性图神经网络
机器学习
2025-09-03 v1
摘要
在异质性图中，邻近节点常属于不同类别，传统图神经网络（GNN）因依赖本地同质邻域而难以处理。先前的研究表明，建模图中边的方向性可以增加有效的同质性并改进分类性能。同时，近期针对多项式可表达GNN的研究显示出捕捉特征中更高阶相互作用的潜力。本文研究边方向性与表达性消息传递在异质性图节点分类中的综合效应。具体而言，我们提出了两种架构：（1）一种多项式可表达GAT基线（Poly），以及（2）一种方向感知变体（Dir-Poly），其分别聚合进入和离开的边。两个模型均设计为学习输入特征上的高阶多项式的置换等价性，同时保持与无额外时间复杂度的可扩展性。在五个具有代表性的异质性数据集上进行实验，结果表明我们的Poly模型持续优于现有基线，而Dir-Poly在具有内在方向性的图（如罗马帝国）上实现了额外的提升并达到最新成果。有趣的是，在无向图上，引入人工方向性并不总是有帮助，这表明方向性消息传递的优势是情境依赖的。我们的发现凸显了边方向和表达特征建模在异质性图学习中的互补作用。
引用
@article{arxiv.2509.00772,
title = {Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs},
author = {Arman Gupta and Govind Waghmare and Gaurav Oberoi and Nitish Srivastava},
journal= {arXiv preprint arXiv:2509.00772},
year = {2025}
}