Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective

要約

Graph Neural Networks（GNNS）は、半監視ノード分類タスクで優れたパフォーマンスを実証しています。
それにもかかわらず、2つの主要な課題は持続します：不均一性と異種。
これら2つの課題のそれぞれは、GNNのパフォーマンスを大幅に妨げる可能性があります。
不均一性とは、複数のタイプのノードまたはエッジを持つグラフを指しますが、ヘテロフィリーとは、接続されたノードには異なる属性またはラベルがある可能性が高いという事実を指します。
不均一な異種グラフを研究する作品はほとんどありませんでしたが、それらは特定のメタパスの異種と考えられ、表現力が欠けているだけであるか、高い表現力を持っているが、高次の隣人を悪用することはできません。
このホワイトペーパーでは、ローカル独立フィルタリングとグローバルハイブリッドフィルタリングの2つのモジュールを使用する不均一な異種スペクトルグラフニューラルネットワーク（H2SGNN）を提案します。
ローカル独立フィルタリングは、異なる同性愛の下でノード表現を適応的に学習しますが、グローバルなハイブリッドフィルタリングは高次の隣人を悪用して、より多くのメタパスを学習します。
提案されたH2SGNNの有効性を検証するために、4つのデータセットで広範な実験が行われます。これは、パラメーターが少なく、メモリ消費量が少ない優れたパフォーマンスを実現します。
このコードは、githubリポジトリ（https://github.com/lukangkang123/h2sgnn/で入手できます。

要約(オリジナル)

Graph neural networks (GNNs) have demonstrated excellent performance in semi-supervised node classification tasks. Despite this, two primary challenges persist: heterogeneity and heterophily. Each of these two challenges can significantly hinder the performance of GNNs. Heterogeneity refers to a graph with multiple types of nodes or edges, while heterophily refers to the fact that connected nodes are more likely to have dissimilar attributes or labels. Although there have been few works studying heterogeneous heterophilic graphs, they either only consider the heterophily of specific meta-paths and lack expressiveness, or have high expressiveness but fail to exploit high-order neighbors. In this paper, we propose a Heterogeneous Heterophilic Spectral Graph Neural Network (H2SGNN), which employs two modules: local independent filtering and global hybrid filtering. Local independent filtering adaptively learns node representations under different homophily, while global hybrid filtering exploits high-order neighbors to learn more possible meta-paths. Extensive experiments are conducted on four datasets to validate the effectiveness of the proposed H2SGNN, which achieves superior performance with fewer parameters and memory consumption. The code is available at the GitHub repo: https://github.com/Lukangkang123/H2SGNN/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google