LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity

要約

タイトル：LSGNN：ローカル類似性によるノード分類における一般的なグラフ・ニューラル・ネットワークへのアプローチ

要約：

– グラフ・ニューラル・ネットワーク（GNN）の性能を低下させる問題として、異質性があることが懸念されています。
– この問題に対処するため、既存のいくつかの研究では、マルチホップ・ネイバーの情報のグラフ・レベルの重み付け融合を使用して、同質性を持ったより多くのノードを含めるようにしています。
– しかし、異質性はノードごとに異なる可能性があるため、ローカルなトポロジーを考慮する必要があります。
– それを着想し、ローカル類似性（LocalSim）を使用して、ノードレベルの重み付け融合を学習することを提案し、プラグアンドプレイ・モジュールとしても機能します。
– より良い融合のために、新しい効率的な初期残差差分接続（IRDC）を提案し、より情報量の多いマルチホップ情報を抽出します。
– また、合成グラフ上で、LocalSimがノードの同質性を表現する効果について理論的な分析を提供しています。
– 実際のベンチマーク・データセットでの詳細な評価により、私たちの提案する方法であるLSGNNは、同質性と異質性のグラフの両方で、競合または最新の性能を提供することができることが示されました。
– さらに、プラグアンドプレイ・モデルは、既存のGNNの性能を大幅に向上させることができます。私たちのコードは、https://github.com/draym28/LSGNN で提供されています。

要約(オリジナル)

Heterophily has been considered as an issue that hurts the performance of Graph Neural Networks (GNNs). To address this issue, some existing work uses a graph-level weighted fusion of the information of multi-hop neighbors to include more nodes with homophily. However, the heterophily might differ among nodes, which requires to consider the local topology. Motivated by it, we propose to use the local similarity (LocalSim) to learn node-level weighted fusion, which can also serve as a plug-and-play module. For better fusion, we propose a novel and efficient Initial Residual Difference Connection (IRDC) to extract more informative multi-hop information. Moreover, we provide theoretical analysis on the effectiveness of LocalSim representing node homophily on synthetic graphs. Extensive evaluations over real benchmark datasets show that our proposed method, namely Local Similarity Graph Neural Network (LSGNN), can offer comparable or superior state-of-the-art performance on both homophilic and heterophilic graphs. Meanwhile, the plug-and-play model can significantly boost the performance of existing GNNs. Our code is provided at https://github.com/draym28/LSGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI