GRAIN：面向异质性图的多粒度与隐式信息聚合图神经网络
机器学习
2025-04-10 v1 人工智能
摘要
图神经网络（GNN）在学习图表示方面显示出显著的成功。然而，近期研究表明，GNN 在异质性图任务上往往难以超过简单的 MLP。对于异质性图任务，连接节点可能在特征或标签上存在差异，这挑战了 homophily 假设。现有方法解决此问题的做法常常忽视信息粒度的重要性，亦极少考虑远端节点之间的隐式关系。为克服这些限制，我们提出 Granular and Implicit Graph Network（GRAIN），这是一种专为异质性图设计的新型 GNN 模型。GRAIN 通过在各种粒度水平上聚合多视图信息，并整合来自远端非相邻节点的隐式数据来增强节点嵌入。这一方法有效地整合了局部和全局信息， resulting in smoother、 more accurate 的节点表示。我们还引入一种自适应图信息聚合器，高效地组合多粒度和隐式数据，显著提升节点表示质量。实验结果表明，在覆盖各种 homophily 和 heterophily 的 13 个数据集上，GRAIN 一致优于 12 个最先进的模型，在 homophilous 和 heterophilous 图中均表现出色。
引用
@article{arxiv.2504.06649,
title = {GRAIN: Multi-Granular and Implicit Information Aggregation Graph Neural Network for Heterophilous Graphs},
author = {Songwei Zhao and Yuan Jiang and Zijing Zhang and Yang Yu and Hechang Chen},
journal= {arXiv preprint arXiv:2504.06649},
year = {2025}
}
备注
Accepted by AAAI 2025