Heterophilie in Graph Neural Networks Revisited

Graph Neural Networks (GNNs) erweitern grundlegende Neuronale Netze (NNs), indem sie Graphstrukturen auf der relationalen induktiven Verzerrung (Homophilie-Annahme) basieren. Obwohl GNNs bisher oft als überlegen zu NNs bei realen Aufgaben angesehen wurden, haben jüngste Arbeiten eine nicht-triviale Menge von Datensätzen identifiziert, bei denen ihre Leistung im Vergleich zu NNs unzufriedenstellend ist. Heterophilie wurde als Hauptursache dieser empirischen Beobachtung betrachtet und zahlreiche Arbeiten wurden vorgeschlagen, um dieses Problem anzugehen. In diesem Artikel untersuchen wir zunächst die weit verbreiteten Homophilie-Metriken und weisen darauf hin, dass ihre Betrachtung nur der Konsistenz zwischen Graph und Label ein Nachteil ist. Anschließend studieren wir Heterophilie aus der Perspektive der Nachaggregations-ähnlichkeit von Knoten und definieren neue Homophilie-Metriken, die potentiell vorteilhaft im Vergleich zu den bestehenden sind. Basierend auf dieser Untersuchung beweisen wir, dass einige schädliche Fälle von Heterophilie durch lokale Diversifikationseinsätze effektiv gelöst werden können. Dann stellen wir das Adaptive Channel Mixing (ACM) vor, einen Rahmen, der es ermöglicht, aggregative, diversifizierende und identitätserhaltende Kanäle knotenweise anpassungsfähig zu nutzen, um reichhaltigere lokalisierte Informationen für verschiedene Knotenheterophiliesituationen zu extrahieren. ACM ist leistungsfähiger als der üblicherweise verwendete Einzelkanalrahmen für Knotenklassifizierungsaufgaben in heterophilen Graphen und kann leicht in Baseline-GNN-Schichten implementiert werden. Bei der Auswertung anhand von 10 Benchmark-Knotenklassifizierungsaufgaben erreichen ACM-verstärkte Baselines konstant bedeutende Leistungsverbesserungen und übertreffen die besten bisher bekannten GNNs bei den meisten Aufgaben ohne erheblichen Rechenaufwand.