理解图神经网络的异质性
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
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
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
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
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