空间异配感知图神经网络
机器学习
2023-06-22 v1 社会与信息网络
摘要
图神经网络（GNNs）已广泛应用于许多城市应用，其将城市建模为城市图，其中节点为区域或兴趣点等城市对象。近来，已开发若干增强的 GNN 架构以处理相连节点不相似的异配图。然而，通常可观察到城市图具有一种独特的空间异配性质；即不同空间距离上的邻居的不相似程度会表现出极大差异。这一性质尚未被探索，却时常存在。为此，本文提出一种称为空间多样性分数（Spatial Diversity Score）的度量，以定量测量空间异配并展示其如何影响 GNN 的性能。事实上，我们的实验研究清楚地表明，现有的异配 GNN 在处理具有高空间多样性分数的城市图时仍显不足。这进而可能降低它们在城市应用中的有效性。沿此思路，我们提出一种空间异配感知图神经网络（SHGNN），以应对城市图异配的空间多样性。基于城市图上空间相近邻居对中心节点呈现出更相似差异模式这一关键观察，我们首先设计了一个旋转-缩放空间聚合模块，其核心思想是将空间相近邻居适当分组，并分别处理组内多样性较小的每组。随后，设计了一个异配敏感的空间交互模块，以自适应地捕捉不同空间组中的共性与多样不相似性。在三个真实世界城市数据集上的大量实验证明了我们的 SHGNN 相对于若干竞争方法的优越性。
引用
@article{arxiv.2306.12139,
title = {Spatial Heterophily Aware Graph Neural Networks},
author = {Congxi Xiao and Jingbo Zhou and Jizhou Huang and Tong Xu and Hui Xiong},
journal= {arXiv preprint arXiv:2306.12139},
year = {2023}
}
备注
Accepted by KDD 2023