面向图神经网络的异质性解决结构平衡器 HeRB
机器学习
2025-04-25 v1
摘要
最近的研究在图数据表示领域取得了图神经网络（GNN）的显著进展。然而，GNN仍面临结构不平衡的挑战。以往的解决方案未充分考虑图的异质性，即连接节点处理不同标签或特征，导致效果不足。经过验证异质性对解决结构不平衡问题的影响后，我们提出先纠正异质性，再传递同质性知识。为此，我们设计了一种名为HeRB（Heterophily-Resolved Structure Balancer）的方法用于GNN。HeRB包含两个创新组件：1）一种降低异质性的增强模块，用于减少类间边并增加类内边；2）一种同质性知识传递机制，用于将来自head节点的同质性信息传递给tail节点。实验结果表明，HeRB在两个同质性和六个异质性基准数据集上实现了卓越的性能，消融研究进一步验证了两个提议组件的有效性。
引用
@article{arxiv.2504.17276,
title = {HeRB: Heterophily-Resolved Structure Balancer for Graph Neural Networks},
author = {Ke-Jia Chen and Wenhui Mu and Zheng Liu},
journal= {arXiv preprint arXiv:2504.17276},
year = {2025}
}