基于自适应异质性建模的图神经网络负反馈偏差校正框架
机器学习
2026-03-05 v1 人工智能
摘要
图神经网络（GNN）已成为处理图结构数据强大的框架。然而，传统 GNN 及其变体受制于同质性假设，导致在异质性图上表现下降。尽管已努力缓解这一问题，但仍受限于消息传递范式，这一范式本身根植于同质性。在本文中，我们详细分析了同质性假设中标签自相关如何引入偏差。我们创新性地利用负反馈机制来校正偏差，提出了图神经网络负反馈偏差校正框架（GNFBC），该框架简单有效且独立于任何特定的聚合策略。具体而言，我们引入负反馈损失以惩罚预测对标签自相关的敏感性。此外，我们将图agnostic 模型的输出作为反馈项，利用独立的节点特征信息来抵消由 Dirichlet 能量引起的相关性偏差。GNFBC 可无缝集成到现有的 GNN 架构中，通过可 comparable 的计算和内存开销提升整体性能。
关键词
引用
@article{arxiv.2603.03662,
title = {Graph Negative Feedback Bias Correction Framework for Adaptive Heterophily Modeling},
author = {Jiaqi Lv and Qingfeng Du and Yu Zhang and Yongqi Han and Sheng Li},
journal= {arXiv preprint arXiv:2603.03662},
year = {2026}
}