探索异质图的自适应结构学习.pdfVIP

ICan’tBelieveIt’sNotBetterWorkshop@

ICLR2025

探索异质图的自适应结构学习

GarvKaushik

DepartmentofMathematicalSciences

IndianInstituteofTechnology(BHU)Varanasi

{garv.kaushik.mat22}@itbhu.ac.in

Abstract

图卷积网络（GCNs）在图形表示学习中获得了关注，最近的研究重点在于

改进异质图上各种实际应用的性能。典型的消息传递范式中的局部特征聚

本合阻碍了捕捉同一类非局部节点之间的长程依赖关系。异质图中存在的内

在连通结构往往与同一类远距离节点间的信息共享相冲突。我们提出了结

译构学习以重新连接浅层GCNs中的边，从而避免由于过度平滑而导致下游

中判别任务的性能下降。参数化邻接矩阵以学习非局部节点之间的连接并扩

展浅层GCNs的跳数有助于捕捉长程依赖关系。然而，我们的方法不适用

1

v于异质图，并且在节点分类任务上的表现依赖于图形结构而不一致。1

1

9

11介绍

1

2

.

7图卷积网络（GCNs）(KipfWelling,2016)(Chenetal.,2020)(Songetal.,2023)(Yu

0etal.,2024)在从图形结构数据中学习的有效性方面获得了动力。浅层GCNs通常无法通过

5

2常规消息传递来利用远距离节点的信息，而简单地堆叠大量卷积层以逐步聚合多跳信息会

:导致过平滑(Lietal.,2018)，从而损害下游任务的性能。在过去，人们曾尝试(Yanetal.,

v

i2021)(Zhengetal.,2022)开发更具表现力的GNN架构用于异质图数据集。然而，结构学

x

r习（SL）(Wuetal.,2023)作为一个潜在的替代方案出现，利用一个转换后的邻接矩阵来

a

适应图结构以满足下游任务的需求，从而解决了未探索的非局部拓扑问题，如Zhengetal.

(2022)所述。经验评估显示GCN性能与图属性之间存在对应关系。

s

e

d

o

n

#

/

t

n

u

o

c

图1:节点度数的分布展示了异质图中的情况

2提出的方法

假设是一个异构图，节点特征矩阵为，邻接矩阵为，其中和

分别是节点数量和特征维度。为了将结构学习应用于图的邻接矩阵，我们定义一个对的