Heterophile Verteilungspropagation für Graphenneuronale Netze

Graph Neural Networks (GNNs) haben in verschiedenen Graph-Mining-Aufgaben durch die Aggregation von Informationen aus Nachbarschaften für das Repräsentationslernen erstaunlichen Erfolg erzielt. Ihr Erfolg basiert auf der Homophilie-Annahme, dass benachbarte Knoten ähnliches Verhalten aufweisen, was jedoch in vielen realen Graphen verletzt sein kann. Kürzlich haben heterophile Graph-Neural-Networks (HeterGNNs) durch die Modifikation des neuronalen Nachrichtenaustausch-Schemas für heterophile Nachbarschaften zunehmend an Bedeutung gewonnen. Allerdings leiden sie unter einer unzureichenden Nachbarschaftsteilung und Modellierung der Heterophilie, wobei beide Aspekte kritisch sind, aber eine Durchbrechung darstellen. Um diese Herausforderungen zu bewältigen, schlagen wir in diesem Papier die heterophile Verteilungspropagation (HDP) für Graph-Neural-Networks vor. Anstatt Informationen aus allen Nachbarschaften zu aggregieren, trennt HDP die Nachbarn während des Trainings auf pseudozuweisende Weise in homophile und heterophile Teile. Die Verteilung der heterophilen Nachbarschaft wird mit einem orthogonalitätsorientierten Zwang durch ein vertrauenswürdiges Prototypkontrastlernparadigma gelernt. Sowohl homophile als auch heterophile Muster werden mit einem neuartigen semantikbasierten Nachrichtenaustauschmechanismus verbreitet. Wir führen umfangreiche Experimente auf 9 Benchmark-Datensätzen mit unterschiedlichem Grad an Homophilie durch. Die experimentellen Ergebnisse zeigen, dass unsere Methode bei heterophilen Datensätzen repräsentative Baselines übertrifft.