建模多层图中的异质性：面向节点分类的自适应方法

现有的多层图模型常假设同质性，即连接节点倾向于属于同一类别或共享相似属性。因此，这些模型在面对异质性图时可能不足，后者指连接节点通常属于不同类别且具有不相似属性。虽然近期方法已发展出从单维图中学习可靠节点表示以处理异质性，但尚未充分解决多层图的复杂性。在多层图中，节点通过多种类型的边（称为维度）相连，这些维度可以同时表现出同质性和异质性的相互作用。为此，我们提出了一种名为 \methodname 的新方法，用于多层图的节点分类，该方法能够适应同质性和异质性维度。\methodname 引入维度特定的兼容矩阵，以建模跨维度的同质性和异质性程度。其关键创新在于使用通过切比雪夫多项式近似的可训练低通和高通滤波器的乘积，以捕捉图信号中平滑和突变的变化。通过组合这些滤波器并使用proximal梯度法优化标签预测，\methodname 能够动态调整以适应每个维度的异质性特征。大量在合成和真实数据集上的实验表明，\methodname 能够捕捉多层图中同质性和异质性相互作用的复杂关系，相较于当前最先进的方法，在节点分类性能上表现出改善。