GCNH：一种用于异配图表示学习的简单方法
机器学习
2023-08-30 v1
摘要
图神经网络（GNNs）非常适用于同配图（即边倾向于连接同类节点的图）上的学习。然而，在异配图上实现一致的 GNN 性能仍是一个开放的研究问题。近期工作提出了对标准 GNN 架构的扩展，以改进异配图上的性能，但牺牲了模型简洁性来换取预测精度。然而，这些模型未能捕捉基本的图属性，例如邻域标签分布，而这对学习至关重要。在本工作中，我们提出用于异配图的 GCN（GCNH），一种简单而有效的 GNN 架构，可同时适用于异配与同配场景。GCNH 为节点及其邻居学习并组合独立的表示，每一层使用一个学习到的重要性系数来平衡中心节点与邻域的贡献。我们在八个真实图及一组具有不同异配程度的合成图上进行了大量实验，以展示 GCNH 的设计选择如何相较原始 GCN 带来显著提升。此外，GCNH 在八个基准中的四个上优于复杂度高得多的 SOTA 模型，而在其余数据集上取得了相当的结果。最后，我们讨论并分析了 GCNH 较低的复杂度，其可训练参数更少、训练更快，并展示了 GCNH 如何缓解过平滑问题。
引用
@article{arxiv.2304.10896,
title = {GCNH: A Simple Method For Representation Learning On Heterophilous Graphs},
author = {Andrea Cavallo and Claas Grohnfeldt and Michele Russo and Giulio Lovisotto and Luca Vassio},
journal= {arXiv preprint arXiv:2304.10896},
year = {2023}
}
备注
Accepted at 2023 International Joint Conference on Neural Networks (IJCNN)