发现异质图的不变邻域模式

Mar, 2024

Discovering Invariant Neighborhood Patterns for Heterophilic Graphs

Ruihao Zhang, Zhengyu Chen, Teng Xiao, Yueyang Wang, Kun Kuang

TL;DR本研究主要研究非同质图上的分布漂移问题，提出了一种新型的不变邻域模式学习（INPL）方法来缓解非同质图上的分布漂移问题，并通过在实际非同质图上的实验结果表明，INPL 能够实现在大规模非同质图上学习的最新性能。

Abstract

This paper studies the problem of distribution shifts on non-homophilous graphs Mosting existing graph neural network methods rely on the homophilous assumption that nodes from the same class are more likely to b

distribution shifts non-homophilous graphs graph neural network methods neighborhood pattern graph representation

发现论文，激发创造

异质分布传播的图神经网络

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

异质友善信息增强图神经网络

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

非同构图学习的新基准

本文提出了一系列改进的图形数据集，并介绍了一种新的度量方式，以测试在低同质性设置中的新方法的有效性，利用图形神经网络和简单方法对所提出的数据集进行了基准测试，为进一步研究提供新的见解。

Apr, 2021

保持邻居相似性的全局鲁棒图神经网络

在这篇论文中，我们探索了异质图中图神经网络的脆弱性，并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题，我们提出了一种名为 NSPGNN 的新型鲁棒模型，它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明，与现有方法相比，NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。

Jan, 2024

图神经网络结构差异的解密：一个大小适合所有问题么？

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

异质图上的图神经网络综述

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

重新审视异质性对图神经网络的影响

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

GCNH: 异质图上的简单表示学习方法

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

图神经网络在异质临近度下的公平性

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

现实世界图聚类的可证明过滤器

对于图聚类问题，现有的图神经网络方法很难取得进展，同时大多数聚类方法只关注同质图而忽视异质图，限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案，通过邻居信息对同质性和异质性边进行识别，并构建高同质性和高异质性的图，用于构建低通滤波器和高通滤波器以捕获综合信息，并通过压缩 - 激励块增强重要特征，实验证明本方法在同质图和异质图上优于现有聚类方法。

Mar, 2024