摘要
近年来，图神经网络（Graph Neural Networks, GNNs）在图表示学习领域广受关注，其通常基于同质性（homophily）假设，即相连节点具有相同标签或相似特征。然而，当面对同质性程度较低或中等的异质图（heterophilous graphs）时，现有GNN模型往往难以有效泛化。当前主流方法主要通过增强类内信息提取能力来缓解该问题，具体包括：设计更优的GNN架构以提升模型性能，或重构图结构以引入来自远距离邻居的潜在类内节点。尽管取得了一定成效，我们仍观察到两个可进一步优化的方向：（a）强化从节点自身特征中提取类内信息的能力，因为节点自身的特征通常更具可靠性；（b）设计面向节点的GNN架构，以更好地适应具有不同同质性比率的节点。针对上述问题，本文提出一种新型方法——IIE-GNN（Intra-class Information Enhanced Graph Neural Networks），旨在实现上述两方面的改进。我们基于现有文献构建了一个统一框架，通过七个精心设计的模块，实现从节点自身及其邻居中有效提取类内信息。在此基础上，结合神经架构搜索（Neural Architecture Search, NAS）技术，我们提出了一种新型搜索空间，并进一步设计了一个架构预测器，用于为每个节点定制化生成适配的GNN结构。大量实验结果表明，通过为每个节点独立设计GNN架构，IIE-GNN能够显著增强类内信息提取能力，从而有效提升模型整体性能。