HP-GMN：面向异配图的图记忆网络
机器学习
2022-10-18 v1
摘要
图神经网络（GNN）已在各种图问题上取得巨大成功。然而，大多数 GNN 是基于同配假设的 Message Passing Neural Networks（MPNN），即图中相同标签的节点相互连接。现实世界问题带来了异配问题，即图中不同标签的节点相互连接。MPNN 无法解决异配问题，因为它们混合了来自不同分布的信息，且不擅长捕捉全局模式。因此，本文研究一种面向异配图的新型图记忆网络模型（HP-GMN）以应对异配问题。在 HP-GMN 中，局部信息和全局模式通过局部统计量和记忆来学习，以促进预测。我们进一步提出正则化项以帮助记忆学习全局信息。我们进行了大量实验，表明我们的方法在同配图和异配图上均达到了最先进的性能。
引用
@article{arxiv.2210.08195,
title = {HP-GMN: Graph Memory Networks for Heterophilous Graphs},
author = {Junjie Xu and Enyan Dai and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2210.08195},
year = {2022}
}