元权重图神经网络：突破全局同质性的限制
机器学习
2022-03-22 v1 社会与信息网络
摘要
图神经网络（GNN）通过聚合邻居信息并在下游任务中使用集成表示，在图数据挖掘中展现出强大的表达能力。图中每个节点使用相同的聚合方法和参数，使得GNN能够利用同质性关系数据。然而，并非所有图都是同质的，即使在同一图中，分布也可能存在显著差异。对所有节点使用相同的卷积可能会导致对各种图模式的忽视。此外，许多现有的GNN以相同方式集成节点特征和结构，忽略了节点的分布，进一步限制了GNN的表达能力。为了解决这些问题，我们提出了元权重图神经网络（MWGNN），为不同节点自适应地构建图卷积层。首先，我们利用元权重从节点特征、拓扑结构和位置身份三个方面对节点局部分布（NLD）进行建模。然后，基于元权重，我们生成自适应图卷积，以执行节点特定的加权聚合并增强节点表示。最后，我们在真实世界和合成基准数据集上设计了大量实验来评估MWGNN的有效性。这些实验表明，MWGNN在处理具有各种分布的图数据时具有出色的表达能力。
引用
@article{arxiv.2203.10280,
title = {Meta-Weight Graph Neural Network: Push the Limits Beyond Global Homophily},
author = {Xiaojun Ma and Qin Chen and Yuanyi Ren and Guojie Song and Liang Wang},
journal= {arXiv preprint arXiv:2203.10280},
year = {2022}
}