摘要
尽管已有大量研究致力于探索适用于同质图（homophilic graphs）与异质图（heterophilic graphs）的新型图神经网络（GNNs），但针对如何将经典GNNs适配于低同质性图（less-homophilic graphs）的工作仍十分有限。尽管经典GNNs在处理低同质性图方面能力受限，其仍具备多项优良特性，如高效性、结构简洁性以及可解释性。本文提出一种新颖的图重构方法，可无缝集成于各类GNN架构中，包括经典GNNs，从而在保留现有GNN优势的同时，有效缓解其局限性。本工作的贡献主要体现在三个方面：a）学习伪特征向量（pseudo-eigenvectors）的权重，实现与已知节点标签高度对齐的自适应谱聚类；b）提出一种新的、对标签不平衡具有鲁棒性的密度感知同质性度量指标；c）基于自适应谱聚类结果重构邻接矩阵，以最大化图的同质性得分。实验结果表明，所提出的图重构方法可使六种经典GNN在低同质性图上的性能平均提升25%，显著增强其表现，其提升效果与当前最先进的方法相当。