图神经网络中本地同质水平的性能差异
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
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
本文研究了节点分类的任务,并建立了群体公平性(以统计平衡和平等机会方式衡量)与局部同配性之间的联系,即链接节点具有相似属性的趋势,在社交网络中,这种同配性通常是由于同质性引起的,而同质性可以迫使个人进入共享敏感属性的社区;通过合成图,我们研究了本地同质性和公平预测之间的相互作用,发现并非所有节点邻域在这方面都是平等的。本文还研究了是否可以将不公平问题与应用 GNN 模型的设计相关联,我们发现采用能够处理非同配组标签的异质性 GNN 设计可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达 25%,优于同质性设计。
Jul, 2022
本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界,并通过特征聚合距离和同质比异质性差异解释了性能差异,并证实了较深的 GNN 的有效性。此外,我们发现了图形分布偏移问题的一个新因素,并提出了相应的新场景。
Jun, 2023
研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系,并且证实采用相应设计原则可以提高 GNN 的鲁棒性,实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性,并且采用防御机制可以使其鲁棒性更强,性能提高达 18.33%。
Jun, 2021
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。
Apr, 2023
提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上,能够从全局节点中聚合信息生成节点嵌入,理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。
May, 2022
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