有序 GNN: 排序消息传递以应对异质性和过度平滑

ICLRFeb, 2023

有序 GNN: 排序消息传递以应对异质性和过度平滑

Ordered GNN: Ordering Message Passing to Deal with Heterophily and Over-smoothing

Yunchong Song, Chenghu Zhou, Xinbing Wang, Zhouhan Lin

TL;DR本文提出了一种基于树的层次结构和有序神经元的图神经网络方法，解决了图中多次信息传递导致的过度平滑和异质性问题。实验证明，该方法在同质性和异质性场景下均能取得最优表现，并能有效防止图模型存在的过度平滑问题。

Abstract

Most graph neural networks follow the message passing mechanism. However, it faces the over-smoothing problem when multiple times of

graph neural networks message passing over-smoothing problem heterophily problem rooted-tree

发现论文，激发创造

PathMLP: 向高阶同质化之路平稳前进

通过设计一种基于相似度的路径采样策略来捕获包含高阶同质性的连续路径以及提出一种名为 PathMLP 的轻量级模型来适应路径聚合，从而在异质性图形中有效地学习节点表示，并证明了其在缓解异质性问题方面的有效性和优越性。

Jun, 2023

通过 GNN 的反向过程区分异质图的邻居表示

通过逆向消息传递过程，改进了图神经网络中的过度平滑问题，并提高了在异质图中节点分类的预测性能。

Mar, 2024

图神经网络中超越同构性：现有限制与有效设计

该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

Jun, 2020

基于消息传递的超图神经网络：同质性和架构设计的共同视角

本论文旨在探讨超图学习方法和基准数据集的一些悬而未决的问题，其中提出了一种新的同质性概念，探索了高阶网络结构和动态的分析框架，并引入了 MultiSet 框架重新定义 Hypergraph Neural Networks。

Oct, 2023

同一问题的两个方面：图卷积神经网络中的异质性和过度平滑

通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。

Feb, 2021

异质图神经网络中的消息传递再探

基于对异构图神经网络中的消息传递机制的研究，本文提出了统一异质消息传递（HTMP）机制以及一种名为 CMGNN 的新方法，通过显式利用和改进兼容性矩阵，实现了在真实世界的异质图中消息传递机制和 CMGNN 方法的卓越性能。

May, 2024

异质分布传播的图神经网络

本研究提出了异质分布传播（HDP）用于图神经网络，通过在训练期间基于伪指派将邻居自适应分为同质和异质部分，通过可信原型对比学习范式的正交性约束学习异质邻居分布，并通过一种新颖的语义感知信息传递机制传播同质和异质模式，实验证明该方法在异质数据集上优于代表性基线方法。

May, 2024

具有异质性的图神经网络

本研究提出了 CPGNN 框架，它使用可解释的兼容性矩阵来建模图中异相性（heterophily）或同相性（homophily）水平，并证明了该框架在更现实和具有挑战性的实验设置下比以前的作品要有效。

Sep, 2020

异质友善信息增强图神经网络

在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

Mar, 2024

图上自适应特征传播：超越低通滤波器

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021