Dec, 2023
打破半监督节点分类中同质性和异质性的纠缠
Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification
TL;DR最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的GNN都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为补充，异质性反映了连接节点之间的不相似性，在图学习中引起了重要关注。为此，数据工程师旨在开发一个能够确保在同质性和异质性下性能的强大GNN模型。尽管已经做出了许多尝试，但大多数现有的GNN由于无向图的限制而难以实现最佳节点表示。忽视有向边导致次优的图表示，从而限制了GNN的能力。为解决这一问题，我们引入了AMUD，它从统计的角度量化节点配置和拓扑之间的关系，为自适应地将自然有向图建模为无向图或有向图以最大化后续图学习中的效益提供了宝贵的见解。此外，我们提出了ADPA作为AMUD的新的有向图学习范式。实证研究表明AMUD指导了高效的图学习。与此同时，在14个基准数据集上的大量实验证实了ADPA的出色性能，优于基准线3.96%。