将异配性引入图神经网络以用于图分类
机器学习
2024-05-10 v2 社会与信息网络
摘要
图神经网络（Graph Neural Networks，GNNs）在图分类中常假设强同配性，很少考虑异配性，即相连节点往往具有不同类标签和不相似特征。在真实场景中，图可能同时具有同配与异配节点。未能泛化至该设定使许多 GNN 在图分类中表现不佳。本文通过识别三种有效设计来解决此局限，并开发了称为 IHGNN（即 Incorporating Heterophily into Graph Neural Networks）的新型 GNN 架构。这些设计包括节点自身与邻居嵌入的整合与分离、来自不同层的节点嵌入的自适应聚合，以及为构建图级读出函数而对不同节点嵌入加以区分。我们在多种图数据集上实证验证 IHGNN，表明其在图分类上优于最先进的 GNNs。
引用
@article{arxiv.2203.07678,
title = {Incorporating Heterophily into Graph Neural Networks for Graph Classification},
author = {Jiayi Yang and Sourav Medya and Wei Ye},
journal= {arXiv preprint arXiv:2203.07678},
year = {2024}
}
备注
8 pages