Verbesserung der intra-klassischen Informationsgewinnung für heterophile Graphen: Ein Ansatz zur neuronalen Architektursuche

In den letzten Jahren haben Graph Neural Networks (GNNs) in der Graph-Vertretungs-Lernung an Bedeutung gewonnen, wobei die Annahme der Homophilie zugrunde liegt, d. h., verbundene Knoten weisen entweder dieselbe Etikettierung oder ähnliche Merkmale auf. Dennoch können sie in heterophilen Graphen, die eine geringe bis mittlere Homophilie aufweisen, oft nicht gut generalisieren. Bisherige Ansätze versuchen, dieses Problem zu bewältigen, indem sie die Extraktion intra-klassischer Informationen verstärken, entweder durch die Entwicklung leistungsfähigerer GNNs zur Verbesserung der Modellwirksamkeit oder durch die Neugestaltung der Graphstruktur, um mehr potenzielle intra-klassische Knoten aus weiter entfernten Nachbarschaften einzubeziehen. Trotz des Erfolgs lassen sich zwei Aspekte identifizieren, die weiter verbessert werden können: (a) die Stärkung der Eigenmerkmalsextraktion aus dem Knoten selbst, die zuverlässiger ist, um intra-klassische Informationen zu extrahieren; (b) die Entwicklung knotenweiser GNNs, die sich besser an Knoten mit unterschiedlichen Homophilie-Raten anpassen können. In diesem Artikel stellen wir eine neuartige Methode namens IIE-GNN (Intra-class Information Enhanced Graph Neural Networks) vor, um beide Verbesserungen zu erreichen. Wir entwickeln einen einheitlichen Rahmen basierend auf der Literatur, in dem intra-klassische Informationen sowohl aus dem Knoten selbst als auch aus seinen Nachbarn anhand sieben sorgfältig entworfener Blöcke extrahiert werden können. Mit Unterstützung der neuronalen Architektursuche (Neural Architecture Search, NAS) schlagen wir einen neuen Suchraum basierend auf diesem Rahmen vor und stellen einen Architektur-Vorhersager bereit, um für jeden Knoten spezifische GNN-Architekturen zu entwerfen. Weitere Experimente zeigen, dass IIE-GNN die Modellleistung verbessern kann, indem knotenweise GNNs entworfen werden, um die Extraktion intra-klassischer Informationen zu verstärken.