Label-Wise Graph Convolutional Network für heterophile Graphen

Graph Neural Networks (GNNs) haben eine bemerkenswerte Leistung bei der Modellierung von Graphen für verschiedene Anwendungen erzielt. Allerdings gehen die meisten bestehenden GNNs davon aus, dass die Graphen eine starke Homophilie in den Knotenlabels aufweisen, d.h., Knoten mit ähnlichen Labels sind in den Graphen miteinander verbunden. Diese Ansätze versagen jedoch bei der Generalisierung auf heterophile Graphen, bei denen verbundene Knoten unterschiedliche Labels und Merkmale aufweisen können. Daher untersuchen wir in diesem Paper einen neuartigen Rahmen, der sowohl auf homophilen als auch auf heterophilen Graphen gut funktioniert. Genauer vorgestellt wird ein label-basiertes Nachrichtenübertragungsmechanismus, der negative Effekte vermeidet, die durch die Aggregation dissimilarer Knotenrepräsentationen entstehen, und gleichzeitig die heterophilen Kontexte für die Repräsentationslernung bewahrt. Zudem schlagen wir eine zweistufige Optimierungsmethode vor, um automatisch das geeignete Modell für Graphen mit Homophilie oder Heterophilie auszuwählen. Theoretische Analysen und umfangreiche Experimente belegen die Effektivität unseres vorgeschlagenen Rahmens für die Knotenklassifizierung sowohl auf homophilen als auch auf heterophilen Graphen.