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
本文首次全面回顾了异态图神经网络,提出了系统的分类法,分析了主要异态图神经网络模型,总结了主流异态图基准,并指出了未来研究和应用方向。
Feb, 2022
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
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
通过重新构建异质图的图结构,来提高传统的图神经网络在异质图上的性能,我们提出了 Deep Heterophily Graph Rewiring (DHGR) 的方法,并进行了全面的实证研究和分析,验证了其潜力以及其可用性,可作为任何 GNN 的插件模块,能够提高任何 GNNs,在结点分类任务上的性能。
Sep, 2022
本文探讨了 GNNs 的异质问题并研究了跨类别邻居的特征聚合,提出了 CAGNNs 框架以提高节点分类任务的性能。实验结果表明,我们的框架能够分别提高 GIN,GAT 和 GCN 的平均预测准确率 9.81%,25.81%和 20.61%。
Mar, 2022
本文提出了一种新的传播机制,可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程,并基于拓扑和属性信息学习同质性度量方法,以刻画不同类别节点之间的相似度,在七个现实世界数据集上实验表明该方法优于现有方法。
Dec, 2021
本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好,证实了同质性不是良好 GNN 性能的必要条件。
Jun, 2021
这项工作提出了一种基于 Evolving Computation Graphs (ECGs) 的方法,通过构建更适合处理异质性数据的图神经网络,利用弱分类器识别连接在同一类别中的节点边界,从而提高了 GNN 处理异质性数据的性能。
Jun, 2023
本文通过重新评估广泛使用的同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并证明了 local diversification operation 可以有效解决一些有害的异质性情况,然后提出了 Adaptive Channel Mixing(ACM)框架来自适应地利用聚合,多样性和标识通道,从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估,ACM-augmented 基线始终实现了显着的性能提升,超过大多数任务上的最新 GNN,而不会带来显着的计算负担。
Oct, 2022