具有异配性的图神经网络
机器学习
2021-06-16 v3 社会与信息网络
机器学习
摘要
图神经网络（GNNs）已被证明对许多不同的实际应用很有用。然而，许多现有的 GNN 模型隐式地假设图中相连节点之间存在同配性，因此很大程度上忽略了异配性这一重要设定，即大多数相连节点来自不同类别。在这项工作中，我们提出了一种称为 CPGNN 的新框架，将 GNNs 推广到具有同配性或异配性的图。所提出的框架引入了一个可解释的兼容性矩阵来建模图中的异配或同配水平，该矩阵可以端到端地学习，使其超越强同配假设。理论上，我们证明将框架中的兼容性矩阵替换为恒等矩阵（表示纯同配）可退化为 GCN。我们的大量实验证明了我们的方法在更真实且更具挑战性的实验设置中的有效性，与先前工作相比所需训练数据显著更少：CPGNN 变体在有无上下文节点特征的异配设置中均取得了最先进的结果，同时在同配设置中保持可比的性能。
引用
@article{arxiv.2009.13566,
title = {Graph Neural Networks with Heterophily},
author = {Jiong Zhu and Ryan A. Rossi and Anup Rao and Tung Mai and Nedim Lipka and Nesreen K. Ahmed and Danai Koutra},
journal= {arXiv preprint arXiv:2009.13566},
year = {2021}
}
备注
Proceedings version of AAAI 2021 with appendix and additional typo fixes; 12 pages, 4 figures