Neighborhood Homophily-based Graph Convolutional Network

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ指向のタスクにおいて強力であることが証明されています。
ただし、現実世界のグラフの多くは異種親和的であり、古典的な GNN の同質性の仮定に疑問を投げかけています。
普遍性の問題を解決するために、多くの研究ではネットワークを深くしたり、中間表現を連結したりしていますが、これは本質的に近隣の集合体を変更せず、ノイズをもたらします。
最近の研究では、同性愛を特徴付ける新しい指標が提案されていますが、提案された指標とモデルの相関関係はほとんど考慮されていません。
この論文では、まず、ノード近傍におけるラベルの複雑さまたは純度を測定するための新しいメトリクスである近傍同質性 (\textit{NH}) を設計します。
さらに、このメトリクスを古典的なグラフ畳み込みネットワーク (GCN) アーキテクチャに組み込み、\textbf{N}eighborhood \textbf{H}omophily ベースの \textbf{G}raph \textbf{C}onvolutional \textbf{N} ネットワークを提案します。
(\textbf{NHGCN})。
このフレームワークでは、近傍ノードが \textit{NH} の推定値によってグループ化され、さまざまなチャネルから集約され、結果のノード予測が順番に \textit{NH} 値の推定と更新に使用されます。
メトリック推定とモデル推論の 2 つのプロセスは、より適切なノード分類を実現するために交互に最適化されます。
NHGCN は、同種菌ベンチマークと異種菌ベンチマークの両方で最高の総合パフォーマンスを達成し、現在の SOTA メソッドと比較して最大 7.4\% 向上しました。

要約(オリジナル)

Graph neural networks (GNNs) have been proved powerful in graph-oriented tasks. However, many real-world graphs are heterophilous, challenging the homophily assumption of classical GNNs. To solve the universality problem, many studies deepen networks or concatenate intermediate representations, which does not inherently change neighbor aggregation and introduces noise. Recent studies propose new metrics to characterize the homophily, but rarely consider the correlation of the proposed metrics and models. In this paper, we first design a new metric, Neighborhood Homophily (\textit{NH}), to measure the label complexity or purity in node neighborhoods. Furthermore, we incorporate the metric into the classical graph convolutional network (GCN) architecture and propose \textbf{N}eighborhood \textbf{H}omophily-based \textbf{G}raph \textbf{C}onvolutional \textbf{N}etwork (\textbf{NHGCN}). In this framework, neighbors are grouped by estimated \textit{NH} values and aggregated from different channels, and the resulting node predictions are then used in turn to estimate and update \textit{NH} values. The two processes of metric estimation and model inference are alternately optimized to achieve better node classification. NHGCN achieves top overall performance on both homophilous and heterophilous benchmarks, with an improvement of up to 7.4\% compared to the current SOTA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google