Nachbarschafts-Homophilie-gesteuerter Graphen-Convolutional Network

Graph Neural Networks (GNNs) haben sich als leistungsstark bei graphenorientierten Aufgaben erwiesen. Allerdings sind viele reale Welt-Graphen heterophil, was die Homophilie-Annahme klassischer GNNs herausfordert. Um das Universalitätsproblem zu lösen, vertiefen viele Studien die Netzwerke oder fügen intermediäre Darstellungen zusammen, was die Nachbarnaggregation nicht intrinsisch verändert und Rauschen einführt. Kürzlich vorgeschlagene Studien stellen neue Metriken zur Charakterisierung der Homophilie vor, berücksichtigen jedoch selten die Korrelation zwischen den vorgeschlagenen Metriken und Modellen. In diesem Paper führen wir zunächst eine neue Metrik, Neighborhood Homophily (NH), ein, um die Label-Komplexität oder Reinheit in Knotenumgebungen zu messen. Darüber hinaus integrieren wir diese Metrik in die klassische Graph Convolutional Network (GCN)-Architektur und schlagen ein auf der Neighborhood Homophily basierendes Graph Convolutional Network (NHGCN) vor. In diesem Rahmen werden Nachbarn anhand geschätzter NH-Werte gruppiert und aus verschiedenen Kanälen aggregiert, wobei die resultierenden Knotenvorhersagen dann wiederum zur Schätzung und Aktualisierung der NH-Werte verwendet werden. Die beiden Prozesse der Metrikschätzung und Modellinferenz werden abwechselnd optimiert, um eine bessere Knotenklassifizierung zu erreichen. NHGCN erzielt sowohl auf homophilen als auch auf heterophilen Benchmarks die bestmögliche Gesamtleistung und übertrifft die derzeitigen SOTA-Methoden um bis zu 7,4 %.