同配性是否为图神经网络的必要条件？
机器学习
2023-07-24 v4 机器学习
摘要
图神经网络（GNNs）在学习与众多基于图的机器学习任务相适应的表示方面已展现出强大能力。当应用于半监督节点分类时，人们普遍认为 GNNs 因同配性假设（“物以类聚”）而表现良好，并且难以泛化到异配图（即不相似的节点相连）。近期工作设计了新架构以克服此类与异配性相关的局限，并以少数异配图基准数据集上基线性能不佳及新架构的改进作为该观点的证据。在我们的实验中，我们经验性地发现标准图卷积网络（GCNs）在某些常用异配图上实际上能比此类精心设计的方法取得更好的性能。这促使我们重新思考：同配性对于 GNN 的良好性能是否确为必要。我们发现该论断并不尽然，事实上，在某些条件下 GCNs 能在异配图上取得强劲性能。我们的工作细致刻画了这些条件，并提供了相应的理论理解与经验观测支持。最后，我们考察了现有的异配图基准，并基于此理解调和了 GCN 在它们之上的（欠佳）表现。
引用
@article{arxiv.2106.06134,
title = {Is Homophily a Necessity for Graph Neural Networks?},
author = {Yao Ma and Xiaorui Liu and Neil Shah and Jiliang Tang},
journal= {arXiv preprint arXiv:2106.06134},
year = {2023}
}