THeGCN：时序异质图卷积网络
机器学习
2025-01-14 v2 信息检索
社会与信息网络
摘要
图神经网络（GNN）在各种图学习任务中展现出显著的有效性，尤其是在静态同质性图上。近期关注力度已转向更复杂的结构，包括（1）在空间域上遇到边异质性问题的静态异质性图，以及（2）在时序域上的事件驱动连续图。当前最先进方法（SOTA）正在同时处理这两条工作线索，但倾向于忽视时序域上异质性的存在，构成时序异质性问题。此外，我们指出，边异质性问题和时序异质性问题常在事件驱动的连续图中共存，导致时序边异质性挑战。为解决这一挑战，本文首先引入时序边异质性度量。随后，我们提出时序异质图卷积网络（THeGCN），一种创新模型，包含低通/高通图信号滤波技术，以准确捕获边（空间）异质性和时序异质性。具体而言，THeGCN 模型由两个关键组件构成：采样器和聚合器。采样器选择给定时刻下与节点相关的事件。然后，聚合器执行消息传递，将时间信息、节点属性和边属性编码到节点嵌入中。在 5 个真实数据集上进行的大量实验验证了 THeGCN 的有效性。
引用
@article{arxiv.2412.16435,
title = {THeGCN: Temporal Heterophilic Graph Convolutional Network},
author = {Yuchen Yan and Yuzhong Chen and Huiyuan Chen and Xiaoting Li and Zhe Xu and Zhichen Zeng and Lihui Liu and Zhining Liu and Hanghang Tong},
journal= {arXiv preprint arXiv:2412.16435},
year = {2025}
}