Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily

要約

タイトル：HeterophilyグラフのためのConv-Agnostic GNNsフレームワークであるNeighbor Effectを活用

要約：

– Graph convolution networks（GNNs）におけるhomophily仮定のため、グラフノード分類タスクでの一般的な合意は、GNNsがhomophilicグラフで良く機能するが、多くの間隔クラスエッジを持つheterophilicグラフでは機能しない可能性があることである。
– ただし、以前のクラス間エッジの視点および関連するホモ比率メトリックは、一部のheterophilicデータセットではGNNsのパフォーマンスを説明できないため、すべてのクラス間エッジがGNNsにとって有害であるわけではないことを意味します。
– この研究では、von Neumannエントロピーに基づく新しいメトリックを提案して、GNNsのheterophily問題を再評価し、隣り合う全体の識別可能な視点からクラス間エッジの特徴集約を調べることができます。
– さらに、私たちは、各ノードの隣人効果を学習することによって、ほとんどのGNNsのパフォーマンスをheterophilyデータセットで向上させるためのシンプルで効果的なConv-Agnostic GNNフレームワーク（CAGNNs）を提案しています。
– 具体的には、各ノードの特徴を下流タスクの識別的特徴とグラフ畳み込みの集約特徴に分離し、共有ミキサーモジュールを提案して、各ノードの隣人効果を適応的に評価して隣人情報を取り入れます。
– 提案されたフレームワークは、プラグインコンポーネントと見なすことができ、ほとんどのGNNsと互換性があります。
– 9つの有名なベンチマークデータセット上の実験結果は、提案されたフレームワークが特にheterophilyグラフで、GIN、GAT、およびGCNに比べて平均パフォーマンスが9.81％、25.81％、および20.61％改善されることを示しています。
– 広範な除去研究と堅牢性分析により、私たちのフレームワークの有効性、堅牢性、解釈可能性がさらに検証されます。コードは https://github.com/JC-202/CAGNN で利用可能です。

要約(オリジナル)

Due to the homophily assumption in graph convolution networks (GNNs), a common consensus in the graph node classification task is that GNNs perform well on homophilic graphs but may fail on heterophilic graphs with many inter-class edges. However, the previous inter-class edges perspective and related homo-ratio metrics cannot well explain the GNNs performance under some heterophilic datasets, which implies that not all the inter-class edges are harmful to GNNs. In this work, we propose a new metric based on von Neumann entropy to re-examine the heterophily problem of GNNs and investigate the feature aggregation of inter-class edges from an entire neighbor identifiable perspective. Moreover, we propose a simple yet effective Conv-Agnostic GNN framework (CAGNNs) to enhance the performance of most GNNs on heterophily datasets by learning the neighbor effect for each node. Specifically, we first decouple the feature of each node into the discriminative feature for downstream tasks and the aggregation feature for graph convolution. Then, we propose a shared mixer module to adaptively evaluate the neighbor effect of each node to incorporate the neighbor information. The proposed framework can be regarded as a plug-in component and is compatible with most GNNs. The experimental results over nine well-known benchmark datasets indicate that our framework can significantly improve performance, especially for the heterophily graphs. The average performance gain is 9.81%, 25.81%, and 20.61% compared with GIN, GAT, and GCN, respectively. Extensive ablation studies and robustness analysis further verify the effectiveness, robustness, and interpretability of our framework. Code is available at https://github.com/JC-202/CAGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI