AGS-GNN: Attribute-guided Sampling for Graph Neural Networks

我们提出了AGS-GNN，这是一种新颖的用于图神经网络（GNN）的属性引导采样算法，它利用了图的节点特征和连接结构，同时适应了同质性和异质性。在同质性图中，同一类别的顶点更可能相连，而在异质性图中，不同类别的顶点倾向于相连。虽然GNN已成功应用于同质性图，但其在异质性图上的应用仍然具有挑战性。对于异质性图，表现最好的GNN不符合采样范式，计算成本高，且不具备归纳性。我们采用基于特征相似性和特征多样性的采样器来选择节点的子集，并使用双通道自适应地捕获同质性和异质性邻域的信息。目前，AGS-GNN是我们所知道的唯一一个通过相似和多样的邻域采样明确控制采样子图中同质性的算法。对于多样的邻域采样，我们采用了子模性，这在我们的工作之前在这个领域没有被使用过。采样分布是预先计算的，并且高度并行，实现了所需的可伸缩性。使用包含35个小（≤100K节点）和大（>100K节点）同质性和异质性图的广泛数据集，我们展示了AGS-GNN相对于文献中当前方法的优越性。AGS-GNN实现了与表现最佳的异质性GNN相当的测试准确率，甚至优于使用整个图进行节点分类的方法。AGS-GNN相对于随机采样邻域的方法收敛更快，并且可以并入使用节点或图采样的现有GNN模型中。

解决异质图中节点分类问题的GNN算法往往存在采样难、计算量大、泛化能力差等问题，本文提出AGS-GNN算法来解决这些问题。

AGS-GNN算法采用基于特征相似性和特征多样性的采样方法，同时适应同质性和异质性，并通过双通道自适应地捕捉同质性和异质性邻居的信息。该算法还使用了子模性进行多样性采样，实现了高效的预计算采样分布。AGS-GNN是目前唯一已知的能够通过相似和多样的邻域样本明确控制采样子图中同质性的算法。该算法在35个小型和大型同质性和异质性图上的实验中表现出了优异的性能。

该算法在异质图上的表现优于当前领域中的其他算法，甚至优于使用整个图进行节点分类的方法。AGS-GNN相比随机采样邻域的方法收敛更快，可以被纳入使用节点或图采样的现有GNN模型中。

与本文相关的研究包括异质图上的GNN算法、采样算法和子模性采样算法等。例如，HAN、GTN和RGCN等算法在异质图上进行了节点分类。而本文则提出了一种新的采样算法AGS-GNN，并使用了子模性进行多样性采样。