重新设计基于图滤波器的GNN以放宽同质性假设
机器学习
2024-09-16 v1
摘要
图神经网络(GNN)已成为从不规则域定义的数据中学习的主流方法，通常隐式假设数据结构由同质图表示。然而，最近的研究表明，许多相关应用涉及异质数据，其中GNN的性能可能会显著受损。为了应对这一挑战，我们提出了一种简单而有效的架构，旨在减轻同质性假设的限制。所提出的架构重新解释了卷积GNN中图滤波器的作用，从而产生更通用的架构，同时比基于滤波器组的GNN引入了更强的归纳偏置。所提出的卷积层增强了架构的表达能力，使其能够从同质和异质数据中学习，并防止过度平滑问题。从理论角度来看，我们证明了所提出的架构是置换等变的。最后，我们表明，所提出的GNN在同质和异质数据集上与多个最先进的基线相比具有优势，展示了其有前景的潜力。
引用
@article{arxiv.2409.08676,
title = {Redesigning graph filter-based GNNs to relax the homophily assumption},
author = {Samuel Rey and Madeline Navarro and Victor M. Tenorio and Santiago Segarra and Antonio G. Marques},
journal= {arXiv preprint arXiv:2409.08676},
year = {2024}
}