我们提出了 GCNH,是一种简单但有效的 GNN 架构,适用于异构和同质图形,并使用一个学习的重要系数平衡中心节点和邻域的贡献,可以解决异构图上性能问题和过度平滑问题。
Apr, 2023
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
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
本文探讨了同质性原则对图神经网络在节点分类上表现卓越的主要原因。作者提出了一种上下文随机块模型来定量节点区分度,并开发了一种基于特性的指标来测试 GNN 在合成和真实世界数据集上的优势和劣势。
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
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 2023
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
本文提出了 Adaptive Channel Mixing 框架,利用聚合,多样化和恒等通道来以自适应的方式解决 Graph Neural Networks 中的有害异质性问题,并在 10 个真实世界节点分类任务中获得了显着的性能提升。
Sep, 2021