基于邻域同配性的图卷积网络
机器学习
2023-10-09 v3
摘要
图神经网络（GNN）已被证明在面向图的任务中十分强大。然而，许多真实世界的图是异配的，这对经典 GNN 的同配性假设提出了挑战。为解决通用性问题，许多研究加深网络或拼接中间表示，但这并未从根本上改变邻居聚合且引入了噪声。近期研究提出了表征同配性的新度量，但很少考虑所提度量与模型的相关性。本文中，我们首先设计了一种新度量——邻域同配性（NH），用于衡量节点邻域中的标签复杂度或纯度。此外，我们将该度量纳入经典图卷积网络（GCN）架构，并提出基于邻域同配性的图卷积网络（NHGCN）。在该框架中，邻居按估计的 NH 值分组并从不同通道聚合，得到的节点预测随后被用于反过来估计和更新 NH 值。度量估计与模型推断这两个过程交替优化，以实现更好的节点分类。NHGCN 在同配与异配基准上均取得了最佳综合性能，相较当前 SOTA 方法最高提升 7.4%。
引用
@article{arxiv.2301.09851,
title = {Neighborhood Homophily-based Graph Convolutional Network},
author = {Shengbo Gong and Jiajun Zhou and Chenxuan Xie and Qi Xuan},
journal= {arXiv preprint arXiv:2301.09851},
year = {2023}
}
备注
Accepted by the 32nd ACM International Conference on Information and Knowledge Management (CIKM 2023)