PC-Conv：通过双重滤波统一同质性与异质性
机器学习
2023-12-25 v1 人工智能
社会与信息网络
摘要
近年来，许多精心设计的图表示学习方法在强异质性或强同质性图上均取得了令人瞩目的性能，但无法同时兼顾两者。因此，它们难以在不同同质性水平的真实世界图上良好泛化。这归因于它们忽视了异质性图中的同质性，反之亦然。本文提出了一种双重滤波机制，用于提取异质性图中的同质性，反之亦然。具体而言，我们将图热方程扩展为对来自长距离的全局信息进行异质性聚合。由此产生的滤波器可以通过泊松-沙利叶多项式精确近似。为了进一步利用多阶信息，我们引入了一种强大的图卷积PC-Conv及其实例化PCNet，用于节点分类任务。与最先进的GNN相比，PCNet在著名的同质性和异质性图上均表现出竞争性能。我们的实现可在https://github.com/uestclbh/PC-Conv获取。
引用
@article{arxiv.2312.14438,
title = {PC-Conv: Unifying Homophily and Heterophily with Two-fold Filtering},
author = {Bingheng Li and Erlin Pan and Zhao Kang},
journal= {arXiv preprint arXiv:2312.14438},
year = {2023}
}
备注
Accepted by AAAI2024