1、【arXiv 2021】Evaluating Deep Graph Neural Networks
作者：Wentao Zhang, Zeang Sheng, Yuezihan Jiang, Yikuan Xia, Jun Gao, Zhi Yang, Bin Cui Peking University
地址：https://arxiv.org/abs/2108.00955
导读：普遍认为，深度GNNs性能下降的原因在于过平滑——即不同类的节点会趋于相似。但是本文通过实验验证，发现了深度GNNs的真正局限性：1）深层特征传播（propagate）操作带来过平滑；2）深层非线性变换（transformation）操作带来的模型退化。并且通过实验表明，稀疏图需要更大的传播深度，较大图需要更大的非线性变换深度。并基于以上分析，提出了DGMLP模型，一个灵活的深度图模型，可以同时支持大的传播和非线性变换深度。

2、来源：Proceedings of the 38 th International Conference on Machine
Learning, PMLR 139, 2021
论文标题：On Explainability of Graph Neural Networks via Subgraph Explorations
作者：Hao Yuan，Haiyang Yu，JieWang，Kang Li ，Shuiwang Ji
1Department of Computer Science & Engineering, Texas A&M
University
文章导读：现有的图解释性方法往往只关注于解释图的节点或边的重要性，而忽略了图的子结构。事实上，这些子结构更直观，更易于理解。本文提出了一种新的GNN解释性方法，称为SubgraphX，通过识别重要的子图来解释GNNs。给定一个训练好的GNN模型和一个输入图，SubgraphX通过蒙特卡罗树搜索有效地探索不同的子图来解释它的预测。为了使树搜索更有效，本文提出使用Shapley值作为子图重要度的度量。它还可以捕获不同子图之间的交互作用。为了加快计算速度，本文也提出了一种有效的近似方案来计算图的Shapley值。
链接：https://arxiv.org/abs/2102.05152

 

3、【arXiv2021】Detecting Communities from Heterogeneous Graphs: A Context Path-based Graph Neural Network Model

Author：Linhao Luo, Yixiang Fang, Xin Cao, Xiaofeng Zhang, Wenjie Zhang

地址：https://arxiv.org/pdf/2109.02058.pdf

文章导读：社区检测是一项基本的图挖掘任务，其目标是将图节点分组成内部连接密集的簇。近年来，人们对异构图进行了研究，其中包含了多种类型的节点和边，这给节点之间的高阶关系建模带来了很大的挑战。随着图嵌入机制的兴起，它也被用于社区检测。一组引人注目的研究利用元路径来捕获节点之间的高阶关系，并将其嵌入到节点的嵌入中，以促进社区检测。然而，定义有意义的元路径需要大量的领域知识，这在很大程度上限制了它们的应用，特别是在模式丰富的异构图(如知识图)上。为了解决这一问题，本文提出利用上下文路径来捕获节点之间的高阶关系，并构建一个基于上下文路径的图神经网络(CP-GNN)模型。将节点间的高阶关系递归嵌入到具有注意机制的节点嵌入中，以区分不同关系的重要性。通过最大化上下文路径连接节点的共现期望，该模型可以学习到既能很好地保持节点之间的高阶关系又有助于社区检测的节点嵌入。在四个真实数据集上的大量实验结果表明，CP-GNN优于最先进的社区检测方法。

本期内容：丁依林、任庆、白悦