Notes on Finding Global Homophily in Graph Neural Networks A Heterophily

【GloGNN】现有方法通过扩展节点的邻域来包含具有同配性的多跳邻居，但为不同节点设置个性化的邻域大小是一个挑战，且现有方法忽略了邻域之外的同配性节点。为了解决这些问题，作者提出了GloGNN和GloGNN++模型。这些模型通过学习系数矩阵来捕获节点之间的相关性，并基于此进行邻域聚合。系数矩阵允许有符号值，并且可以从一个具有封闭形式解的优化问题中导出。作者从理论上证明了系数矩阵和生成的节点嵌入矩阵具有期望的分组效应，即如果两个节点具有相似的特征和局部结构，无论它们在图中距离多远，它们的嵌入向量都会彼此接近。

本文发表在2022年ICML会议上，第一作者学校：华东师范大学，引用量：137。

ICML会议简介：全称International Conference on Machine Learning（机器学习国际会议），机器学习顶会，CCF A。

查询会议：

会伴：https://www.myhuiban.com/

CCF deadline：https://ccfddl.github.io/

原文和开源代码链接：

• paper原文：https://arxiv.org/abs/2205.07308
• 开源代码：https://github.com/RecklessRonan/GloGNN

0、核心内容

我们针对存在异配特征的图结构，