论文分享 | ICML 2022 | GNN模型结构在解决图数据常见问题的前沿进展

自较为简单的序列化数据，如文本、图像等，到结构更为复杂多变的图，我们可以获取到的数据正在不断变得复杂化，将深度学习技术扩展到图上已经成为了AI领域的一大研究热点。

本期Fudan DISC实验室将分享三篇来自ICML 2022的三篇文章，其中包括了谱图神经网络、针对边预测的数据增强等内容。

• 谱图神经网络的表达能力有多强？（How Powerful are Spectral Graph Neural Networks）

论文地址：https://arxiv.org/abs/2205.11172

该篇文章针对当前的谱图神经网络设计中存在的非线性变化的必要性进行讨论，提出了一个不含有非线性变化的Linear Spectral GNN，并证明了在满足一定的条件时，该GNN具有较好的表达能力。进一步，作者通过实验验证了引入非线性变化并不会提升该模型的效果。

• 利用反事实链接来进行边预测（Learning from Counterfactual Links for Link Prediction）

论文地址：https://arxiv.org/abs/2106.02172

该篇文章主要针对目前基于消息传递的图神经网络忽视了图结构与边存在的因果关系这一问题，提出了基于因果推断的反事实链接这一概念，并利用反事实链接对图进行数据增强。作者在多个数据集上使用了多种神经网络结构，结果表明通过反事实链接进行数据增强后的模型的效果更优。

• TAM：通过拓扑感知损失解决节点分类中的类不平衡问题（TAM: Topology-Aware Margin Loss for Class-Imbalanced Node Classification）

论文地址：https://arxiv.org/abs/2206.12917

该篇文章主要关注在图中进行节点分类时所遇到的类别不平衡问题。目前针对该问题大多是通过小类别数目的补偿完成的，但使用这样的方式会导致别的节点对其他类别的预测性能下降。本文提出了TAM方法，由ACM与ADM两个组件构成，用于调整节点的Logit。作者在多个数据集上的结果表明该方法能够带来一定程度上的性能提升。