利用个性化 PageRank 与高阶拓扑结构缓解图神经网络中的异配性
机器学习
2025-10-10 v2 人工智能
摘要
图神经网络（GNN）在节点分类任务中表现优异，但通常假设同配性，即相连节点具有相似标签。这一假设在许多真实世界的异配图中并不成立。现有的异配图模型主要依赖成对关系，忽略了来自高阶结构的多尺度信息。这导致性能次优，尤其是在节点间存在冲突类信息噪声的情况下。为应对这些挑战，我们提出了 HPGNN，一种将高阶个性化 PageRank 与图神经网络相结合的新模型。HPGNN 引入了个性化 PageRank（PPR）的高效高阶近似，以捕捉长程和多尺度的节点交互。该方法降低了计算复杂度，并减轻了来自周围信息的噪声。通过将高阶结构信息嵌入卷积网络，HPGNN 有效地建模了不同图维度上的关键交互。在基准数据集上的大量实验证明了 HPGNN 的有效性。在下游任务中，该模型在异配图上的性能优于七种 SOTA 方法中的五种，同时在同配图上保持竞争力。HPGNN 平衡多尺度信息的能力及其对噪声的鲁棒性，使其成为解决真实世界图学习挑战的通用方案。代码可在 https://github.com/streetcorner/HPGNN 获取。
关键词
引用
@article{arxiv.2507.16347,
title = {Leveraging Personalized PageRank and Higher-Order Topological Structures for Heterophily Mitigation in Graph Neural Networks},
author = {Yumeng Wang and Zengyi Wo and Wenjun Wang and Xingcheng Fu and Minglai Shao},
journal= {arXiv preprint arXiv:2507.16347},
year = {2025}
}
备注
10 pages, 5 figures, Accepted at IJCAI 2025. Proceedings: https://www.ijcai.org/proceedings/2025/0724.pdf