打破同质性与异质性在半监督节点分类中的纠缠

近年来，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类任务中展现出卓越的性能。然而，大多数现有的GNN模型均基于同质性（homophily）假设，即相连节点更可能具有相似的特征分布和相同的标签。这一假设在越来越多的实际应用场景中已被证明存在局限性。与此相对，异质性（heterophily）则反映了相连节点之间的差异性，近年来在图学习领域受到广泛关注。为此，数据工程师致力于开发一种强大的GNN模型，能够在同质性和异质性两种图结构下均保持优异性能。尽管已有诸多尝试，但大多数现有GNN模型受限于无向图的结构约束，难以获得最优的节点表示。忽视有向边的存在，导致图表示质量下降，进而制约了GNN的表达能力。为解决这一问题，本文提出AMUD（Adaptive Modeling of Undirected and Directed graphs），从统计学角度量化节点特征分布与图拓扑结构之间的关系，为自适应地将自然图结构建模为无向图或有向图提供了重要指导，从而最大化后续图学习的收益。此外，我们进一步提出了自适应有向模式聚合（Adaptive Directed Pattern Aggregation, ADPA），作为AMUD框架下的新型有向图学习范式。实证研究表明，AMUD能够有效引导高效的图学习过程。在16个基准数据集上的大量实验结果表明，ADPA显著优于现有基线方法，平均性能提升达3.96个百分点，展现出卓越的性能表现。