重新审视异配性在图表示学习中的作用：一种边分类视角
机器学习
2023-10-13 v2
摘要
图表示学习旨在将节点内容与图结构相整合以学习节点/图表示。然而，研究发现许多现有图学习方法在具有高异配性水平的数据上表现不佳，此类数据中不同类标签之间的边占很大比例。近期针对该问题的研究集中于改进消息传递机制。然而，异配性是否真的损害了图神经网络（GNNs）的性能仍不清楚。关键在于揭示节点与其直接邻居之间的关系，例如，它们是异配的还是同配的？从这一视角出发，我们在相连节点间关系被揭示之前/之后研究了异配性在图表示学习中的作用。特别地，我们提出了一种端到端框架，既学习边的类型（即异配/同配），又利用边类型信息提升图神经网络的表达能力。我们以两种不同方式实现了该框架。具体而言，为避免消息通过异配边传递，我们可通过丢弃由边分类器识别出的异配边来优化图结构使其同配。或者，也可利用异配邻居存在的信息进行特征学习，从而设计了一种混合消息传递方法，基于边分类对同配邻居进行聚合、对异配邻居进行多样化。大量实验表明，所提框架在涵盖全部同配水平谱的多个数据集上显著提升了 GNNs 的性能。
引用
@article{arxiv.2205.11322,
title = {Revisiting the role of heterophily in graph representation learning: An edge classification perspective},
author = {Jincheng Huang and Ping Li and Rui Huang and Chen Na and Acong Zhang},
journal= {arXiv preprint arXiv:2205.11322},
year = {2023}
}