通过自适应谱聚类重构图以提升同质性
机器学习
2024-04-30 v3 社会与信息网络
摘要
尽管越来越多的文献在研究适用于同质与异质图的新图神经网络（GNNs），但关于使经典 GNN 适应低同质图的工作很少。尽管处理低同质图的能力受限，经典 GNN 仍具有效率、简洁性和可解释性等突出优点。在这项工作中，我们提出了一种新颖的图重构方法，可集成到任意类型的 GNN（包括经典 GNN）中，以利用现有 GNN 的优势并缓解其局限。我们的贡献有三方面：a) 学习伪特征向量的权重以进行与已知节点标签良好对齐的自适应谱聚类；b) 提出一种对标签不平衡具有鲁棒性的新密度感知同质性度量；c) 基于自适应谱聚类结果重构邻接矩阵以最大化同质性分数。实验结果表明，我们的图重构方法在低同质图上可使六种经典 GNN 的平均性能提升 25%，提升后的性能可与最先进的方法相媲美。
引用
@article{arxiv.2206.02386,
title = {Restructuring Graph for Higher Homophily via Adaptive Spectral Clustering},
author = {Shouheng Li and Dongwoo Kim and Qing Wang},
journal= {arXiv preprint arXiv:2206.02386},
year = {2024}
}
备注
13 pages, 9 figures, AAAI 2023