In dieser Arbeit wird das Problem der Verteilungsverschiebungen auf nicht-homophilen Graphen untersucht. Die meisten bestehenden Graphneuronalnetzwerke (GNNs) basieren auf der Annahme der Homophilie, dass Knoten aus der gleichen Klasse wahrscheinlicher miteinander verbunden sind. Diese Annahme trifft jedoch nicht immer auf reale Graphen zu, was zu komplexeren Verteilungsverschiebungen führt, die in früheren Methoden nicht berücksichtigt wurden.
Um dieses Problem anzugehen, schlagen wir ein neuartiges Invariantes Nachbarschaftsmuster-Lernverfahren (INPL) vor. INPL besteht aus zwei Hauptmodulen:
Adaptive Nachbarschaftspropagation (ANP): Dieses Modul erfasst die adaptive Nachbarschaftsinformation, um die Verteilungsverschiebungen der Nachbarschaftsmuster auf nicht-homophilen Graphen abzumildern. Es kombiniert sowohl Informationen aus höheren als auch niedrigeren Ordnungen der Nachbarschaft und verwendet eine adaptive Propagation, um die optimale Nachbarschaftsinformation zu lernen.
Invariantes nicht-homophiles Graphlernen (INHGL): Dieses Modul lernt eine invariante Graphenrepräsentation auf nicht-homophilen Graphen, um die Verteilungsverschiebungen in unbekannten Testumgebungen abzumildern. Es verwendet ein Umgebungsclustermodul, um mehrere Graphpartitionen als verschiedene Umgebungen zu generieren, und ein invariantes Graphlernmodul, um eine invariante Repräsentation basierend auf diesen Partitionen zu lernen.
Umfangreiche Experimente auf elf realen nicht-homophilen Graphdatensätzen zeigen, dass INPL den aktuellen Stand der Technik übertrifft und die Verteilungsverschiebungen in verschiedenen Umgebungen effektiv abmildert.
翻譯成其他語言
從原文內容
arxiv.org
深入探究