基于缓解欠可达与过压缩的位置感知图结构学习以应对图拓扑不平衡

拓扑不平衡是一种由标记节点拓扑位置不均引起的图特有不平衡问题，它显著损害了GNN的性能。拓扑不平衡的含义及其对图学习影响的度量仍鲜有探索。本文从监督信息分布中欠可达与过压缩的全局视角出发，对拓扑不平衡给出了新的理解，并由此提出两个量化度量指标。基于我们的分析，我们提出了一种名为PASTEL的新型位置感知图结构学习框架，它直接优化信息传播路径，从本质上解决拓扑不平衡问题。我们的核心见解是增强同类节点间的连通性以获取更多监督信息，从而缓解欠可达与过压缩现象。具体而言，我们设计了一种基于锚点的位置编码机制，更好地融合相对拓扑位置并通过最大化标签影响来增强类内归纳偏置。我们进一步提出一种类间冲突度量作为边权重，有利于不同节点类的分离。大量实验证明了PASTEL在增强GNN于不同数据标注场景下的能力方面具有优越潜力与适应性。