超越同质性在图神经网络中的应用：当前局限与有效设计

我们研究了图神经网络在异质性（即连接节点可能具有不同的类别标签和不相似的特征）或低同质性的半监督节点分类任务中的表示能力。许多流行的图神经网络在这种设置下无法泛化，甚至被忽略图结构的模型（例如多层感知机）超越。鉴于这一局限性，我们确定了一组关键设计——自我嵌入与邻居嵌入分离、高阶邻域和中间表示的组合——这些设计可以增强图神经网络在异质性条件下的学习能力。我们将这些设计结合到一个图神经网络H2GCN中，并将其作为基础方法来实证评估所识别设计的有效性。除了传统的强同质性基准测试之外，我们的实证分析表明，在合成和真实异质性网络上，所识别的设计分别将图神经网络的准确性提高了40%和27%，并且在同质性条件下也能取得有竞争力的性能。