摘要
HyperAggregation 是一种基于超网络的图神经网络聚合函数。它利用超网络动态生成当前邻域大小的权重，然后使用这些权重对邻域进行聚合。这种带有生成权重的聚合过程类似于在可变大小的顶点邻域上进行 MLP-Mixer 通道混合。我们在两个模型中展示了 HyperAggregation 的应用：GraphHyperMixer 是基于 MLP-Mixer 的模型，而 GraphHyperConv 则是从 GCN 派生而来，但采用了基于超网络的聚合函数。我们对多个基准数据集进行了实验，涉及顶点分类、图分类和图回归任务。实验结果表明，HyperAggregation 在同质性和异质性数据集中均能有效使用，无论是在归纳设置还是转换设置下。GraphHyperConv 的性能优于 GraphHyperMixer，并且在转换设置下尤为突出。在异质性数据集 Roman-Empire 上，GraphHyperConv 达到了新的最先进水平。在图级别的任务中，我们的模型表现与同样规模的模型相当。消融研究探讨了其对各种超参数选择的鲁棒性。HyperAggregation 的实现代码以及重现所有实验所需的代码均可在 https://github.com/Foisunt/HyperAggregation 获取。