异质性雪花假说：面向异质图的GNN训练与赋能

图神经网络（Graph Neural Networks, GNNs）已成为解决各类图结构学习任务的关键工具。值得注意的是，当前大多数GNN架构均基于同质性（homophily）假设运行，无论该假设是显式提出还是隐含存在。尽管这一基础假设被广泛采用，但其适用性并非普适，可能导致学习效果上的潜在局限。本文中，我们首次将“一个节点对应一个感受野”这一主流概念引入异质性图（heterophilic graph）场景。通过构建代理标签预测器，我们使每个节点能够拥有一个潜在的预测分布，从而帮助其相连节点判断是否应聚合邻接节点的信息。最终，每个节点均可具备独特的聚合层数与模式，正如每片雪花都独一无二、各具特征。基于上述观察，我们创新性地提出“异质性雪花假说”（Heterophily Snowflake Hypothesis），并为此提供了一种高效可行的解决方案，以指导并推动异质性图及相关领域的研究发展。我们开展了全面的实验验证，涵盖以下四个方面：（1）在10个具有不同异质性比率的图数据集上，基于10种不同主干网络（backbones）的主实验结果；（2）在多种深层GNN主干网络（如SGC、JKNet等）上评估模型的可扩展性，覆盖2、4、6、8、16、32层等多种深度设置；（3）与传统“雪花假说”进行对比分析；（4）与现有图剪枝算法在效率上的比较。实验结果表明，本框架具备高度通用性，可灵活集成于多种GNN架构中，在提升性能的同时实现深层次增强，并提供一种可解释的方法以选择最优网络深度。源代码已公开，访问地址为：https://github.com/bingreeky/HeteroSnoH。