图神经网络的异构分布传递
机器学习
2024-06-03 v1 社会与信息网络
摘要
图神经网络 (GNN) 通过聚合邻域信息来实现表示学习，在各种图挖掘任务中取得了显著的成功。这种成功依赖于邻近节点 exhibiting similar behaviors 的同质性假设，而在许多实际图中可能被违反。最近，异构图神经网络 (HeterGNN) 通过修改神经消息传递模式来处理异构邻域，引起了日益关注的注意力。然而，它们面临邻域分区不足和异构性建模不足的问题，这两者都是关键但具有挑战性的突破点。为克服这些挑战，本文提出了图神经网络的异构分布传递 (HDP)。本文不通过聚合所有邻域信息，而是基于训练期间的伪分配自适应地将邻居分为同质和异构部分。通过可信原型对比学习范式，对异构邻域分布施加正交导向约束进行学习。同质和异构模式通过一种新颖的语义感知消息传递机制进行传播。我们在具有不同同质性水平的 9 个基准数据集上进行了广泛实验。实验结果表明，在异构数据集上，我们的方法在代表性基准方法方面表现出色。
引用
@article{arxiv.2405.20640,
title = {Heterophilous Distribution Propagation for Graph Neural Networks},
author = {Zhuonan Zheng and Sheng Zhou and Hongjia Xu and Ming Gu and Yilun Xu and Ao Li and Yuhong Li and Jingjun Gu and Jiajun Bu},
journal= {arXiv preprint arXiv:2405.20640},
year = {2024}
}