从异配性中学习：异配信息增强的图神经网络
机器学习
2024-11-13 v2 社会与信息网络
摘要
在异配性条件下，即具有不同标签的节点倾向于基于语义含义连接时，图神经网络（Graph Neural Networks, GNNs）通常表现出次优性能。当前关于图异配性的研究主要集中于聚合校准或邻居扩展，并通过利用节点特征或结构信息来改善 GNN 表示以解决异配性问题。在本文中，我们提出并证明，通过研究图中每个单独节点的邻居分布，可以有效利用异配性中固有的宝贵语义信息进行图学习。我们进行了理论分析，以证明该思想在增强图学习方面的有效性。基于此分析，我们提出了 HiGNN，这是一种创新方法，通过利用节点分布来增强具有相似语义特征的节点之间的连接，从而构建一个额外的、融合了异配信息的新图结构。我们在同配性和异配性基准数据集上对节点分类任务进行了实证评估，并将 HiGNN 与流行的 GNN 基线方法和当前最优（SoTA）方法进行了比较，证实了其在改善图表示方面的有效性。此外，通过融入异配信息，我们展示了现有基于 GNN 的方法的显著增强，以及跨真实世界数据集的同配性程度，从而肯定了我们的方法的有效性。
引用
@article{arxiv.2403.17351,
title = {Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network},
author = {Yilun Zheng and Jiahao Xu and Lihui Chen},
journal= {arXiv preprint arXiv:2403.17351},
year = {2024}
}