H³GNNs：通过联合结构节点编码与自监督学习协调GNN中的异配性与同配性
机器学习
2025-04-17 v1 社会与信息网络
摘要
图神经网络(GNN)在表示学习中难以平衡异配性和同配性，这一挑战在自监督设置下进一步放大。我们提出了H³GNNs，一个端到端的自监督学习框架，通过两个关键创新来协调这两种结构特性：(i) 联合结构节点编码。我们将节点嵌入到一个统一空间中，结合线性和非线性特征投影与通过加权图卷积网络(WGCN)的K跳结构表示。交叉注意力机制增强了对异配性和同配性的感知和适应性。(ii) 使用教师-学生预测架构与节点难度驱动的动态掩码策略的自监督学习。我们使用教师-学生模型，学生看到掩码后的输入图，并预测教师（看到完整输入图）在联合编码空间中推断出的节点特征。为了增加学习难度，我们引入了两种新颖的基于节点预测难度的掩码策略。在七个基准数据集（四个异配性数据集和三个同配性数据集）上的实验证实了H³GNNs在不同图类型上的有效性和效率。我们的H³GNNs在四个异配性数据集上取得了整体最先进的性能，同时在三个同配性数据集上保持了与先前最先进方法相当的性能。
引用
@article{arxiv.2504.11699,
title = {H$^3$GNNs: Harmonizing Heterophily and Homophily in GNNs via Joint Structural Node Encoding and Self-Supervised Learning},
author = {Rui Xue and Tianfu Wu},
journal= {arXiv preprint arXiv:2504.11699},
year = {2025}
}