重访异质性图神经网络中的消息传递机制
机器学习
2024-05-29 v1 社会与信息网络
摘要
图神经网络（GNN）由于其消息传递机制，在图挖掘任务中表现出强大的性能，该机制符合邻近节点 exhibit similar behaviors的同质性假设。然而，在许多真实世界图中，相连节点可能显示相反的行为，称为异质性模式，这吸引了对异质性图神经网络（HTGNNs）的 increased interest。尽管消息传递机制似乎不适用于异质性图 due to class-irrelevant信息的传播，但它在许多现有HTGNNs中仍被广泛使用并 consistently 取得显著成功。这引发了一个问题：为何在异质性图上消息传递仍然有效？为了回答此问题，本文重新审视了异质性图神经网络中的消息传递机制，并将其重新表述为统一的异质性消息传递（HTMP）机制。基于HTMP和经验分析，我们揭示了现有HTGNNs中消息传递的成功归因于隐式地增强了类别之间兼容矩阵。此外，我们认为由于现实世界异质性图中存在不完整和噪声语义邻域，兼容矩阵的潜力尚未完全实现。为弥合这一差距，我们引入一种新方法，称为CMGNN，其在HTMP机制内运作，以显式地利用和改进兼容矩阵。对10个基准数据集进行详尽评估，并对照13个众所周知的基线方法进行比较分析，突出了HTMP机制和CMGNN方法的优越性能。
引用
@article{arxiv.2405.17768,
title = {Revisiting the Message Passing in Heterophilous Graph Neural Networks},
author = {Zhuonan Zheng and Yuanchen Bei and Sheng Zhou and Yao Ma and Ming Gu and HongJia XU and Chengyu Lai and Jiawei Chen and Jiajun Bu},
journal= {arXiv preprint arXiv:2405.17768},
year = {2024}
}