GLINKX：一种适用于同配与异配图的可扩展统一框架
机器学习
2022-11-22 v2 社会与信息网络
摘要
在图学习中，关于图启发式架构存在两种主要的归纳偏置：一方面，高阶交互与消息传递在同配图上表现良好，并被 GCN 与 GAT 所利用。然而此类架构难以轻松扩展到大型真实图。另一方面，使用 ego 特征与邻接嵌入的浅层（或节点级）模型在异配图上表现良好。本工作中，我们提出一种新颖的可扩展浅层方法——GLINKX——它可同时作用于同配与异配图。GLINKX 利用了 (i) 新颖的单配标签传播，(ii) ego/节点特征，(iii) 作为位置嵌入的知识图嵌入，(iv) 节点级训练，以及 (v) 低维消息传递。形式上，我们证明了新的误差界并论证了 GLINKX 的各组成部分。在实验上，我们展示了其在多个同配与异配数据集上的有效性。
引用
@article{arxiv.2211.00550,
title = {GLINKX: A Scalable Unified Framework For Homophilous and Heterophilous Graphs},
author = {Marios Papachristou and Rishab Goel and Frank Portman and Matthew Miller and Rong Jin},
journal= {arXiv preprint arXiv:2211.00550},
year = {2022}
}