基于异质性的消息传递
机器学习
2025-12-03 v1
摘要
图神经网络（GNN）因其隐含的同质性假设而容易受到过平滑问题的影响。我们提出一种新方法，通过调节消息的聚合方式，局部调节消息传递的类型和程度，从而保留信息的低频和高频成分。该方法仅依赖于可学习的嵌入，无需额外标签，从而将异质性感知嵌入的优势扩展到更广泛的应用领域，如生成模型。我们在 various 数据集和多种 GNN 架构上进行实验，结果显示性能提升，并揭示了标准分类基准数据集中的异质性模式。此外，针对分子生成的应用显示在化学信息基准测试上的显著性能提升。
引用
@article{arxiv.2504.19785,
title = {Heterophily-informed Message Passing},
author = {Haishan Wang and Arno Solin and Vikas Garg},
journal= {arXiv preprint arXiv:2504.19785},
year = {2025}
}
备注
Appearing in Transactions on Machine Learning Research (TMLR) 2025