通过基于置信度的子图匹配来识别图神经网络中的异质邻居

《Artificial Intelligence》：Identifying heterophilic neighbors via confidence-based subgraph matching for graph neural networks

　　

Yoonhyuk Choi | Chong-Kwon Kim

摘要

图神经网络（GNNs）在处理异构图时常常遇到困难，因为相邻节点的标签往往不同——这是现实世界网络中的常见情况。本文通过一个名为ConSM（基于置信度的子图匹配）的两阶段框架来解决这一限制。首先，我们引入了一个具有置信度意识的子图匹配模块，该模块通过使用最优传输算法比较2跳邻居的结构相似性来估计边权重。这一过程根据可调节的置信度比率识别出与任务无关或具有误导性的边。其次，我们将这些边权重整合到一个考虑边置信度的标签传播机制中，该机制根据边的置信度自适应地鼓励或抑制信息传递，从而提高了GNN在异构图环境下的鲁棒性。与我们在之前的会议版本[1]相比，本手稿提供了：(i) 对关键设计选择（如基于子图的推理和使用2跳邻居）更清晰的说明；(ii) 一种无需手动搜索即可调整置信度比率的自适应策略；(iii) 涵盖了最新的异构图相关基线和更大、无泄露数据集的广泛新实验。实验结果表明，ConSM提高了分类准确性，减轻了过度平滑现象，并且在同构图和异构图环境中都表现出有效性。