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

要約

異性愛は、グラフ ニューラル ネットワーク (GNN) のパフォーマンスに悪影響を与える問題であると考えられています。
この問題に対処するために、一部の既存の研究では、マルチホップ隣接情報のグラフレベルの重み付け融合を使用して、同質性を持つより多くのノードを含めています。
ただし、ヘテロフィリティーはノード間で異なる可能性があるため、ローカル トポロジを考慮する必要があります。
これに動機付けられて、私たちは局所類似性 (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ます。これはプラグアンドプレイ モジュールとしても機能します。
より良い融合を実現するために、より有益なマルチホップ情報を抽出するための、新しく効率的な初期残差接続 (IRDC) を提案します。
さらに、合成グラフ上でノードを相似的に表現する LocalSim の有効性に関する理論的分析を提供します。
実際のベンチマーク データセットに対する広範な評価により、私たちが提案した手法、つまり局所類似性グラフ ニューラル ネットワーク (LSGNN) が、同好性グラフと異好性グラフの両方で同等または優れた最先端のパフォーマンスを提供できることが示されています。
一方、プラグアンドプレイ モデルは、既存の GNN のパフォーマンス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, Google