GCNH: A Simple Method For Representation Learning On Heterophilous Graphs

解决问题：论文旨在解决异质图上的表示学习问题，该问题在当前研究领域中仍然存在。该论文提出了一种新的图神经网络架构GCNH，旨在解决异质图上的表示学习问题。

关键思路：GCNH是一种简单而有效的图神经网络架构，可应用于异质和同质情况。GCNH使用一种学习的重要性系数来平衡中心节点和邻居节点的贡献，从而学习和组合节点及其邻居的独立表示。与其他方法相比，GCNH的复杂度更低，具有更少的可训练参数和更快的训练时间，并且能够缓解过度平滑问题。

其他亮点：该论文在八个真实世界图和一组具有不同异质性程度的合成图上进行了广泛的实验，表明GCNH的设计选择比基本的GCN有了显著的改进。此外，GCNH在四个数据集上的表现优于复杂度更高的最先进模型，而在其余数据集上则产生可比较的结果。该论文还提供了开源代码。

关于作者：Andrea Cavallo、Claas Grohnfeldt、Michele Russo、Giulio Lovisotto和Luca Vassio分别来自意大利都灵理工大学和德国慕尼黑工业大学。他们的代表作包括：Cavallo的“Semi-supervised learning with graph convolutional networks”、Grohnfeldt的“Graph convolutional networks for earthquake detection and location”、Russo的“Learning to propagate labels: Transductive propagation networks for few-shot learning”、Lovisotto的“Towards a unified framework for modeling and optimizing complex systems”和Vassio的“Novelty detection for cyber-physical systems: A graph-based approach”。

相关研究：近期的其他相关研究包括：“Representation learning on graphs: Methods and applications”（Jie Zhou等，2018）和“Simplifying graph convolutional networks”（Felix Wu等，2019）。Jie Zhou等来自清华大学，该论文概述了表示学习在图上的方法和应用。Felix Wu等来自加州大学伯克利分校，该论文提出了一种简化的图卷积网络架构。

论文摘要：本文介绍了一种简单而有效的图神经网络架构GCN for Heterophily (GCNH)，适用于异质和同质图。GCNH为节点及其邻居学习和组合单独的表示，每层使用一个学习到的重要性系数来平衡中心节点和邻域的贡献。通过在八个真实世界图和一组具有不同异质性程度的合成图上进行广泛实验，展示了GCNH设计选择如何比普通GCN架构带来显著改进。此外，GCNH在四个基准测试中胜过了复杂度更高的最先进模型，而在其余数据集上产生了可比较的结果。最后，讨论和分析了GCNH较低的复杂度，这导致了比其他方法更少的可训练参数和更快的训练时间，并展示了GCNH如何缓解过度平滑问题。

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