关于异配图中的局部聚合
机器学习
2021-06-08 v1 人工智能
摘要
许多近期工作研究了图神经网络（GNN）在图同配性（一种依赖于标签的连接性度量）背景下的性能。传统 GNN 通过聚合图中节点邻居的信息来生成节点嵌入。节点分类任务中的近期结果显示，这种局部聚合方法在同配性低（异配图）的图上表现不佳。已有若干机制被提出，通过扩大 GNN 层的聚合范围（或通过多跳聚合，或从远端节点进行长距离聚合）来提升此类图上 GNN 的准确率。本文中，我们展示经过适当调优的经典 GNN 与多层感知机在异配图上达到或超越了近期长距离聚合方法的准确率。因此，我们的结果凸显了对用于基准测试长距离 GNN 聚合机制的替代数据集的需求。我们还展示同配性是节点局部邻域中信息的糟糕度量，并提出了邻域信息内容（NIC）度量——一种新颖的信息论图度量。我们认为 NIC 与 GNN 所使用的局部聚合方法更相关。我们实证表明，在节点分类任务中它与 GNN 准确率的关联性优于同配性。
引用
@article{arxiv.2106.03213,
title = {On Local Aggregation in Heterophilic Graphs},
author = {Hesham Mostafa and Marcel Nassar and Somdeb Majumdar},
journal= {arXiv preprint arXiv:2106.03213},
year = {2021}
}