【AAAI2022】同时适用于同质和异质性的图神经网络

题目：Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism for Homophily and Heterophily

作者：王涛（天津大学）, 王锐（天津大学）, 金弟 (天津大学）, 何东晓（天津大学）, 黄禹霄(乔治华盛顿大学）

会议：The 36th AAAI Conference on Artificial Intelligence (AAAI-2022)

文章链接：https://www.zhuanzhi.ai/paper/366d395750cc6e88964b7ff8ddd752c6

图卷积神经网络 (Graph Convolutional Network) 因其在处理图结构数据方面的强大能力而被广泛应用于各个领域。经典的 GCN 及其变体主要基于同质性假（Homophily Assumption）设计，即图中相同类型的节点倾向于相互连接。而该假设忽略了存在于现实世界网络中的异质性（Heterophily），即网络中不同类型的节点倾向于相互连接的性质。现有方法主要通过聚合高阶邻居或聚合中间表征来处理异质性，这会导致结果中产生噪声和不相关的信息。最重要的是，这些方法并没有改变基于同质假设而设计的传播机制（这是 GCN 的基本部分），这使得不同类型节点的表示之间难以区分。为了解决该问题，本文设计了一种新的传播机制，可以根据节点对之间的同质性或异质性自适应的改变传播和聚合过程。为了自适应地学习传播过程，我们引入了节点对之间的同质性度量（Homophily Degree），该度量融合了拓扑和属性信息。我们将可学习的同质性程度矩阵纳入到图卷积框架中，通过端到端的训练，使该模型能够超越同质性假设。我们从理论上证明了我们的模型可以根据节点之间的同质性来约束节点之间表征的相似性。在七个真实世界数据集上的实验表明，这种新方法在异质性或低同质性的数据集上的表现优于现有的代表性方法，并在同质数据集上也获得了有竞争力的性能。2.

为了让 GCN 的传播机制能够同时适用于同质性和异质性，我们提出了一种新的同质性指导的图卷积框架HOG-GCN。该框架可以根据节点对之间的同质性程度来自动的学习传播过程。从直觉来说，类内标签之间的影响应该大于类间标签之间的影响。因此我们在传播过程中引入同质性程度矩阵，将其合并到图卷积框架中，进行在同质性指导下的传播，从而使框架能够根据邻域间的同质性程度自适应地改变特征传播权值。下图是模型的框架图。模型主要包含两个模块：同质性程度矩阵估计以及同质性引导的特征传播。