VR-GNN：用于同时建模同配性与异配性的变分关系向量图神经网络
社会与信息网络
2023-01-26 v4
摘要
图神经网络（GNNs）在多种真实世界应用中取得了显著成功。传统 GNNs 基于同配性设计，导致在异配场景下性能不佳。当前的解决方案主要通过混合高阶邻居或传递带符号消息来处理异配性。然而，混合高阶邻居破坏了原始图结构，而传递带符号消息利用了不灵活的消息传递机制，易产生不尽如人意的效果。为克服上述问题，我们提出一种基于关系向量平移的新型 GNN 模型，名为变分关系向量图神经网络（VR-GNN）。VR-GNN 将关系生成与图聚合建模为一个基于变分自编码器（Variational Auto-Encoder）的端到端模型。编码器利用结构、特征与标签生成合适的关系向量。解码器通过将关系平移纳入消息传递框架来实现优越的节点表示。由于关系平移在建模邻居关系方面具有极大灵活性，VR-GNN 能充分捕捉节点间的同配性与异配性。我们在八个具有不同同配-异配属性的真实数据集上进行了大量实验以验证模型的有效性。实验结果表明，相较于最先进的 GNN 方法，VR-GNN 在异配下获得一致且显著的提升，在同配下具有竞争性能。
引用
@article{arxiv.2211.14523,
title = {VR-GNN: Variational Relation Vector Graph Neural Network for Modeling both Homophily and Heterophily},
author = {Fengzhao Shi and Ren Li and Yanan Cao and Yanmin Shang and Lanxue Zhang and Chuan Zhou and Jia Wu and Shirui Pan},
journal= {arXiv preprint arXiv:2211.14523},
year = {2023}
}