Beyond homophily in graph neural networks, current limitations and effective design.

推荐指数: #paper/⭐⭐
发表于: NeurIPS20
别名:\mathbf{H_{2}GCN}
(常被认为是因为相对陈旧)
总体思路:在聚合时,将一阶和二阶邻居进行融合.

总结往前

自我和邻居分割(Graph SAGE)

\mathbf{r}_v^{(k)}=\mathrm{COMBINE} \left(\mathbf{r}_v^{(k-1)},\mathrm{AGGR}(\{\mathbf{r}_u^{(k-1)}:u\in\mathrm{~}\bar{N}(v)\mathrm{~}\})\right)
总结:融合当前状态与邻居节点的聚合信息而非简单平均

高阶邻居

\mathbf{r}_v^{(k)}=\mathsf{COMBINE}\left(\mathbf{r}_v^{(k-1)},\mathrm{aggregate}\left(\{\mathbf{r}_u^{(k-1)}:u\in N_1(v)\}\right),\mathrm{aggregate}\left(\{\mathbf{r}_u^{(k-1)}:u\in N_2(v)\}\right),\ldots\right)
总结:通过融合一阶邻域及二阶邻域的信息与自身的信息来更新当前节点的状态

拼接各阶邻居

$\mathbf{r}_{v}^{\