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://github.com/hedongxiao-tju/HOG-GCN

代码链接：https://github.com/hedongxiao-tju/HOG-GCN

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。

内容中包含的图片若涉及版权问题，请及时与我们联系删除