CN-Motifs wahrnehmende Graph Neural Networks

Graph Neural Networks (GNNs) haben sich als dominierende Ansätze für die Graph-Representations-Lernung etabliert. Allerdings werden die meisten GNNs hauptsächlich auf Homophilie-Graphen angewendet und erzielen auf Heterophilie-Graphen nur schlechte Ergebnisse. Zudem sind diese GNNs nicht in der Lage, langreichweitige Abhängigkeiten und komplexe Wechselwirkungen zwischen 1-Hop-Nachbarn direkt zu erfassen, wenn sie Knotenrepräsentationen durch iterative Aggregation direkt verbundener Nachbarn generieren. Darüber hinaus enthalten strukturelle Muster, wie beispielsweise Motive, die als Bausteine für Graphstrukturen etabliert wurden, reichhaltige topologische und semantische Informationen und verdienen einer weiteren Untersuchung. In diesem Artikel führen wir Motive basierend auf gemeinsamen Nachbarn ein, die wir CN-Motive nennen, um die Definition struktureller Muster zu verallgemeinern und zu erweitern. Wir gruppieren die 1-Hop-Nachbarn und konstruieren gemäß den CN-Motiven einen hochordentlichen Graphen. Anschließend stellen wir CN-Motives Perceptive Graph Neural Networks (CNMPGNN) vor, einen neuartigen Framework, der die oben genannten Probleme effektiv lösen kann. Insbesondere erreicht unser Modell durch eine umfassende Nutzung struktureller Muster state-of-the-art-Ergebnisse auf mehreren Homophilie- und Heterophilie-Datensätzen.