异配感知图注意力网络
机器学习
2024-07-02 v3 社会与信息网络
摘要
图神经网络（GNNs）在图表示学习中取得了显著成功。遗憾的是，标准 GNN 中现有的权重分配方案（如基于节点度或成对表示的计算）很难有效处理异配网络，其中相连节点通常具有不同的标签或特征。现有异配 GNN 往往忽略对每条边的异配性建模，而这也是解决异配问题的重要部分。本文中，我们首先提出一种异配感知注意力方案，并揭示了建模边异配性的益处：若 GNN 根据不同异配类型为边分配不同权重，则可学习有效的局部注意力模式，使节点能从不同邻居处获取恰当信息。进而，我们提出一种新颖的异配感知图注意力网络（HA-GAT），通过充分探索并利用局部分布作为底层异配性，以处理具有不同同配比的网络。为证明所提 HA-GAT 的有效性，我们通过机制解释分析了所提异配感知注意力方案与局部分布探索。大量结果表明，我们的 HA-GAT 在八个具有不同同配比的数据集上的监督与半监督节点分类任务中均取得了最先进的性能。
引用
@article{arxiv.2302.03228,
title = {Heterophily-Aware Graph Attention Network},
author = {Junfu Wang and Yuanfang Guo and Liang Yang and Yunhong Wang},
journal= {arXiv preprint arXiv:2302.03228},
year = {2024}
}
备注
Accepted by Pattern Recognition