摘要
图神经网络（Graph Neural Networks, GNNs）在各类应用场景中对图结构的建模已取得显著成效。然而，现有大多数GNN模型均假设图中节点标签具有较强的同质性，即相似标签的节点在图中相互连接。这一假设在异质性图（heterophilic graphs）中难以成立，因为在异质性图中，相连节点可能具有不相似的标签或属性。因此，本文提出一种新型框架，能够在同质性图与异质性图上均表现出色。具体而言，我们设计了一种基于标签的通信机制（label-wise message passing），以避免因聚合差异较大的节点表示而带来的负面影响，同时有效保留异质性图中的上下文信息，提升表示学习的性能。此外，我们进一步提出一种双层优化方法，可自动识别并选择适用于同质性或异质性图的模型。理论分析与大量实验结果表明，所提出的框架在同质性图与异质性图上的节点分类任务中均具有显著有效性。