Knotenorientierte spektrale Filterung für Graph Neural Networks

Graph Neural Networks (GNNs) haben bei homophilen Graphdaten beachtliche Leistungen gezeigt, während sie bei der Behandlung nicht-homophiler Graphdaten erheblich weniger überzeugend abschneiden, was auf die inhärente Tiefpassfilter-Eigenschaft von GNNs zurückzuführen ist. Im Allgemeinen sind reale Welt-Graphen oft komplexe Mischungen verschiedener Untergraphmuster; daher kann die Lernung eines universellen spektralen Filters aus globaler Perspektive, wie sie in den meisten aktuellen Arbeiten vorgenommen wird, weiterhin große Schwierigkeiten bei der Anpassung an die Variation lokaler Muster aufweisen. Auf der Grundlage einer theoretischen Analyse lokaler Muster überdenken wir bestehende spektrale Filtermethoden und schlagen eine knotenorientierte spektrale Filterung für Graph Neural Networks (kurz: NFGNN) vor. Durch die Schätzung eines knotenorientierten spektralen Filters für jeden Knoten verfügt NFGNN über die Fähigkeit zur präzisen lokalen Knotenpositionierung mittels eines verallgemeinerten verschiebenden Operators, wodurch die Variationen lokaler Homophilie-Muster adaptiv erkannt werden können. Gleichzeitig ermöglicht die Verwendung von Re-Parameterisierung ein gutes Gleichgewicht zwischen globaler Konsistenz und lokaler Sensibilität beim Lernen knotenorientierter spektraler Filter. Darüber hinaus analysieren wir theoretisch die Lokalisierungseigenschaft von NFGNN und zeigen, dass das Signal nach adaptiver Filterung weiterhin um den entsprechenden Knoten herum lokalisiert bleibt. Umfangreiche experimentelle Ergebnisse belegen, dass das vorgeschlagene NFGNN eine überlegene Leistung erzielt.