签名并非解药：面向异构图的多集到多集消息传递学习
机器学习
2024-06-03 v1
摘要
图神经网络（GNN）因其强大的建模和推理能力，尤其在 homophilic 图结构数据上获得了广泛关注。为了赋予 GNN 处理异构图（即相邻节点 exhibits 标签或特征不相似的图），已广泛采用 Signed Message Passing（SMP）。然而，关于 SMP 的局限性缺乏理论和实证分析。在本工作中，我们揭示了 SMP 的一些潜在缺陷及其补救措施。我们首先识别了 SMP 的两个局限：对多跳邻居的不可取表示更新以及对过度平滑问题的脆弱性。为克服这些挑战，我们提出了一种新型消息传递函数，即多集到多集图神经网络（M2M-GNN）。我们的理论分析和大量实验表明，M2M-GNN 有效缓解了 SMP 所述的局限，与此相比表现出优越性能。
引用
@article{arxiv.2405.20652,
title = {Sign is Not a Remedy: Multiset-to-Multiset Message Passing for Learning on Heterophilic Graphs},
author = {Langzhang Liang and Sunwoo Kim and Kijung Shin and Zenglin Xu and Shirui Pan and Yuan Qi},
journal= {arXiv preprint arXiv:2405.20652},
year = {2024}
}
备注
Published as a conference paper at ICML 2024