具有全局结构感知能力和特征增强功能的图神经网络，适用于异构图结构

《ACM Transactions on Information Systems》：Global Structure-aware and Feature-augmented Graph Neural Network for Heterophilic Graphs

针对异构图中图神经网络存在的浅层模型信息捕捉不足和深层模型过平滑问题，本文提出GSF-GNN。通过结构感知全局传播模块建立全局连接并动态调整边权重，结合特征增强补偿更新模块利用多视角特征提升节点表征。理论分析和实验验证表明，GSF-GNN有效缓解过平滑，提升异构图任务性能。

　　

摘要

图神经网络（GNNs）在各种领域得到了广泛应用，其前提是连接在一起的节点具有相似性。然而，在异质图中，连接在一起的节点往往具有不同的特征，现有的GNNs仍然存在一些局限性。从结构角度来看，浅层GNN无法捕捉高阶节点信息；而深层GNN则可能面临过度平滑的问题。从特征角度来看，在特征更新阶段，高阶相似节点的有用信息常常被低阶不同节点所削弱。为了解决上述问题，我们提出了一种全局结构感知和特征增强的图神经网络（GSF-GNN），以缓解结构和特征方面的局限性。具体来说，从结构角度来看，我们设计了一个基于结构的全局传播（SGP）模块，用于在节点之间建立全局连接并自适应地调整边权重以促进信息传播。从特征角度来看，我们引入了一个特征增强补偿更新（FCU）模块，该模块采用多视图特征更新机制从不同角度增强节点特征。我们的理论分析正式证明了GSF-GNN在异质图中的有效性。在异质图和同质图的基准数据集上的实验验证了GSF-GNN在各种图结构中的有效性。此外，GSF-GNN在多个层次上都能保持稳定的性能，并有效缓解了过度平滑的问题。我们的代码可在https://github.com/huijieliu2023/GSF-GNN获取。