面向变化异质关系的自适应谱图滤波器：HeroFilter
机器学习
2025-10-14 v1 人工智能
社会与信息网络
摘要
图异质性（connected nodes 具有不同标签）近期引发广泛关注。现有大多数研究采用简化方法——对 homophilic 图使用低通滤波器，对 heterophilic 图使用高通滤波器。然而，我们发现图异质性与谱滤波器之间的关系更为复杂——最优滤波响应在不同频率分量上各不相同，且不遵循严格的单调关联。这挑战了传统固定滤波器设计，表明需要自适应滤波以保留图嵌入的表达能力。形式上，自然出现以下问题：给定异质图 ，其异质性程度的变化会如何影响 GNNs 的性能？如何设计自适应滤波器以适应这些变化的异质性连接？我们的理论分析表明，GNN 的平均频率响应与图异质性程度不遵循严格的单调关联，这 necessitates 采用自适应图滤波器以保证良好的泛化性能。因此，我们提出 [方法名称]，这是一种简单而强大的 GNN，它提取异质性谱图中各频率分量的信息，并通过自适应混合将这些信息组合成具有代表性的嵌入表示。[方法名称]的优异性能在 homophilic 和 heterophilic 图上实现了最高达 9.2% 的准确率提升。
引用
@article{arxiv.2510.10864,
title = {HeroFilter: Adaptive Spectral Graph Filter for Varying Heterophilic Relations},
author = {Shuaicheng Zhang and Haohui Wang and Junhong Lin and Xiaojie Guo and Yada Zhu and Si Zhang and Dongqi Fu and Dawei Zhou},
journal= {arXiv preprint arXiv:2510.10864},
year = {2025}
}