异配性真的是图神经网络进行节点分类的噩梦吗？
机器学习
2021-09-14 v1 社会与信息网络
摘要
图神经网络（GNNs）基于关系归纳偏置（同配假设）利用图结构扩展了基础神经网络（NNs）。尽管人们相信 GNNs 在真实任务中优于 NNs，但 GNNs 相对无视图神经网络 NNs 的性能优势似乎并不普遍令人满意。异配性一直被视为主要原因，并已提出大量工作加以解决。本文首先表明，并非所有异配情况都对具有聚合操作的 GNNs 有害。接着，我们基于同时考虑图结构与输入特征对 GNNs 影响的相似度矩阵提出新度量。通过在合成图上的测试，这些度量相对于常用同配度量展现出优势。从度量与观察中，我们发现某些有害异配情况可通过多样化操作解决。基于该事实及滤波器组知识，我们提出自适应通道混合（ACM）框架，以在每一 GNN 层中自适应地利用聚合、多样化与恒等通道来应对有害异配性。我们在 10 个真实世界节点分类任务上验证了 ACM 增强的基线模型。它们一致取得显著性能提升，并在大多数任务上超越最先进 GNNs，且未带来显著计算负担。
引用
@article{arxiv.2109.05641,
title = {Is Heterophily A Real Nightmare For Graph Neural Networks To Do Node Classification?},
author = {Sitao Luan and Chenqing Hua and Qincheng Lu and Jiaqi Zhu and Mingde Zhao and Shuyuan Zhang and Xiao-Wen Chang and Doina Precup},
journal= {arXiv preprint arXiv:2109.05641},
year = {2021}
}