核心概念
GNNの学習プロセスを深め、新しいGNNクラスを設計するための一般的な拡散方程式フレームワークと、高次隣接意識型グラフ拡散ネットワーク(HiD-Net)の提案。
要約
この論文では、GNNと拡散プロセスの関連性に焦点を当て、現在のグラフ拡散ネットワークが主に1次拡散方程式を考慮していることを明らかにします。また、2次隣接項から得られる情報を活用した新しい高次隣接意識型グラフ拡散方程式(HiD-Net)が提案されます。実験結果はHiD-Netの効果を示し、他の基準よりも優れていることが確認されました。
統計
2次隣接近傍の類似性スコアは、6つの異なるグラフで調査されました。
HiD-Netは攻撃に対して他の基準よりも堅牢であり、エッジおよび特徴量への攻撃に対するテスト結果が提供されました。
パラメータα、β、γに関する分析が行われました。
引用
"Diffusion equation interprets GNNs from a continuous perspective."
"Monophily property of labels induces similarity among 2-hop neighbors."
"HiD-Net is more robust against attacks and works on both homophily and heterophily graphs."