Ist Heterophilie eine echte Herausforderung für Graph Neural Networks beim Knotenklassifizierungsproblem?

Graph Neural Networks (GNNs) erweitern grundlegende Neuronale Netze (NNs) durch die Nutzung von Graphstrukturen auf Basis der relationalen induktiven Bias (Homophilie-Annahme). Obwohl GNNs in der Praxis allgemein als überlegen gegenüber NNs gelten, zeigen ihre Leistungsverbesserungen gegenüber graphagnostischen NNs nicht stets zufriedenstellende Ergebnisse. Heterophilie gilt als Hauptursache hierfür, und zahlreiche Ansätze wurden vorgeschlagen, um dieses Problem zu bewältigen. In dieser Arbeit zeigen wir zunächst, dass nicht alle Formen der Heterophilie für GNNs mit Aggregationsoperation schädlich sind. Anschließend stellen wir neue Metriken vor, die auf einer Ähnlichkeitsmatrix basieren und sowohl den Einfluss der Graphstruktur als auch der Eingabemerkmale auf GNNs berücksichtigen. Die Metriken erweisen sich in Tests an synthetischen Graphen gegenüber den üblichen Homophilie-Metriken als überlegen. Auf Basis dieser Metriken und beobachteter Phänomene identifizieren wir Fälle schädlicher Heterophilie, die durch eine Diversifizierungsoperation behoben werden können. Ausgehend von diesem Erkenntnis und unter Einbeziehung von Filterbank-Wissen entwickeln wir den Adaptive Channel Mixing (ACM)-Rahmen, der adaptiv Aggregations-, Diversifizierungs- und Identitätskanäle in jeder GNN-Schicht nutzt, um schädliche Heterophilie zu überwinden. Wir validieren die durch ACM erweiterten Baseline-Modelle an 10 realen Aufgaben zur Knotenklassifikation. Diese erreichen konsistent signifikante Leistungssteigerungen und übertreffen auf den meisten Aufgaben die derzeitigen State-of-the-Art-GNNs, ohne dabei einen erheblichen zusätzlichen Rechenaufwand mit sich zu bringen.