Lernen Sie von der Heterophilie: Heterophiler Informationsverstärkter Graph Neural Network

Unter Bedingungen der Heterophilie, bei denen Knoten mit unterschiedlichen Labels basierend auf semantischen Bedeutungen miteinander verbunden sind, weisen Graph Neural Networks (GNNs) oft eine suboptimale Leistung auf. Die derzeitigen Forschungsarbeiten zum Thema Graph-Heterophilie konzentrieren sich hauptsächlich auf die Kalibrierung der Aggregation oder die Erweiterung von Nachbarn und adressieren das Heterophilie-Problem durch die Nutzung von Knotenmerkmalen oder struktureller Information zur Verbesserung der GNN-Darstellungen. In diesem Artikel stellen wir vor und zeigen empirisch, dass die in der Heterophilie inhärente wertvolle semantische Information effektiv im Graph-Lernprozess genutzt werden kann, indem wir die Verteilung der Nachbarn jedes einzelnen Knotens innerhalb des Graphen untersuchen. Eine theoretische Analyse wird durchgeführt, um die Wirksamkeit dieser Idee bei der Verbesserung des Graph-Lernens zu belegen. Auf Basis dieser Analyse entwickeln wir HiGNN, einen innovativen Ansatz, der eine zusätzliche neue Graphstruktur konstruiert, die heterophile Information durch Ausnutzung der Knotenverteilung integriert, um die Verbindung zwischen Knoten mit ähnlichen semantischen Eigenschaften zu stärken. Wir führen empirische Bewertungen im Rahmen von Knotenklassifizierungsaufgaben an sowohl homophilen als auch heterophilen Benchmark-Datensätzen durch und vergleichen HiGNN mit gängigen GNN-Baselines und State-of-the-Art-Methoden, wodurch die Effektivität bei der Verbesserung der Graph-Darstellungen bestätigt wird. Zudem zeigen wir, dass die Integration heterophiler Information zu einer signifikanten Verbesserung bestehender GNN-basierter Ansätze führt und die Homophilie-Grad in realen Datensätzen erhöht, was die Wirksamkeit unseres Ansatzes eindeutig unterstreicht.