利用不变原理应对异构图结构分布迁移
机器学习
2025-02-26 v4 人工智能
摘要
异构图神经网络（Heterophilic Graph Neural Networks, HGNNs）在图上的半监督学习任务中显示出令人期待的结果。值得注意的是，大多数真实世界的异构图由具有不同邻居模式的节点混合而成，表现出局部节点级的同质性和异质性结构。然而，现有工作仅致力于为节点分类任务在异构图和同质图基准测试上同时设计更好的 HGNN 骨干网络或架构，其对 HGNN 在节点上的性能分析仅基于既定数据分布，未探索由此训练和测试节点之间的结构差异所导致的影响。如何在异构图上学习不变的节点表示以处理这种结构差异或分布迁移仍未探索。在本文中，我们首先讨论了从数据增强角度看以往图基不变学习方法的局限性。然后，我们提出了 \textbf{HEI} 框架，通过融合异构性信息推断潜在环境而无需增强，生成不变的节点表示，然后用于不变预测，在异构图结构分布迁移下。我们理论上展示，我们提出的方法可在异构图结构分布迁移下实现保证的性能。广泛的实验在各种基准和骨干网络上也表明了我们方法相对于现有 SOTA 方法的有效性。代码已公开于 https://github.com/Yangjinluan/HEI。
引用
@article{arxiv.2408.09490,
title = {Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts},
author = {Jinluan Yang and Zhengyu Chen and Teng Xiao and Wenqiao Zhang and Yong Lin and Kun Kuang},
journal= {arXiv preprint arXiv:2408.09490},
year = {2025}
}
备注
arxiv version of WWW2025