Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network

在异质性的情况下，不同标签的节点往往基于语义意义相连，这时图神经网络（GNNs）通常表现出亚优性能。目前关于图异质性的研究主要集中在聚合校准或邻居扩展上，并通过利用节点特征或结构信息来改善GNN表示来解决异质性问题。本文提出并证明了异质性中固有的有价值的语义信息可以通过研究图中每个节点的邻居分布有效地用于图学习。进行理论分析以证明这种想法在增强图学习方面的有效性。基于这个分析，我们提出了HiGNN，一种创新的方法，它构建了一个额外的新图结构，通过利用节点分布来整合异质性信息，增强了共享相似语义特征的节点之间的连接性。我们使用同质和异质基准数据集对节点分类任务进行实证评估，并将HiGNN与流行的GNN基线和SoTA方法进行比较，证实了其在改善图表示方面的有效性。此外，通过整合异质性信息，我们展示了现有基于GNN的方法的显着增强，并在现实世界数据集中验证了同质度的程度，从而证实了我们方法的有效性。

解决问题：论文试图解决异质性图中节点分类问题，提出一种新的方法来利用异质性信息来增强图学习。

关键思路：论文提出了一种新的方法HiGNN，通过构建一个新的图结构来整合异质性信息，从而增强具有相似语义特征的节点之间的连接性。

其他亮点：论文通过实验评估了HiGNN在节点分类任务上的表现，与基线模型和SoTA方法进行了比较，并证明了其有效性。此外，论文还分析了当前关于异质性图的研究现状，并提出了一种新的解决方案。

相关研究：最近在这个领域中，还有一些相关的研究，如AGNN、HAN、GTN等。