通过分离学习澄清混淆节点

图神经网络（Graph Neural Networks, GNNs）在面向图结构的任务中取得了显著进展。然而，现实世界中的图数据通常包含一定比例的异质性节点（heterophilous nodes），这打破了传统GNN所依赖的同质性假设（homophily assumption），从而制约了其性能表现。现有大多数研究仍采用在异质性与同质性节点间共享权重的通用模型架构。尽管部分方法引入了高阶消息传递机制或多通道网络结构，但其效果仍不理想。少数研究尝试对不同节点群体进行独立训练，但受限于分离指标设计不当以及计算效率低下，难以取得理想成果。本文首次提出一种新的节点分离度量指标——邻域混淆度（Neighborhood Confusion, NC），以实现更可靠的节点分组。我们观察到，具有不同NC值的节点群体在组内分类准确率及可视化嵌入表示上呈现出明显差异，这为基于NC的图卷积网络设计提供了依据。据此，我们提出了邻域混淆引导的图卷积网络（Neighborhood Confusion-guided Graph Convolutional Network, NCGCN），该模型根据节点的NC值进行分组，并在组内实施权重共享与消息传递机制。在同质性与异质性基准数据集上的大量实验表明，所提出的框架能够有效实现节点分离，并在性能上显著优于当前最先进的方法。相关源代码将公开于：https://github.com/GISec-Team/NCGNN。