论文《Clarify Confused Nodes via Separated Learning》笔记-优快云博客

本文链接：https://blog.youkuaiyun.com/bunny___/article/details/141949784

【NCGCN 2023 ArXiv】针对GNNs的异配性问题，本文提出了一个新的度量标准——邻域混淆（Neighborhood Confusion，NC），用于更可靠地区分同配性节点和异配性节点。基于NC度量，本文提出了一种名为邻域混淆引导的图卷积网络NCGCN的框架，该框架通过NC值对节点进行分组，并在组内进行权重共享和消息传递。

本文发表在2023年ArXiv上，作者学校：浙江理工大学，引用量：1。

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/2306.02285
开源代码：None

0、核心内容

针对GNNs的异配性问题，本文提出了一个新的度量标准——邻域混淆（Neighborhood Confusion，NC），用于更可靠地区分同配性节点和异配性节点。基于NC度量，本文提出了一种名为邻域混淆引导的图卷积网络NCGCN的框架，该框架通过NC值对节点进行分组，并在组内进行权重共享和消息传递。

1、先验知识

① 如何理解separated learning（分离学习）？

Separated Learning是一种针对GNNs中异配性节点问题的学习策略。在图数据中，异配性节点指的是与不同类别的节点广泛连接的节点，这与同配性节点（主要与相同类别的节点连接）形成对比。传统的GNN模型通常基于同质性假设，即假设一个节点的邻居节点很可能拥有相同的标签。然而，现实世界中的图数据往往包含大量的异配性节点，这使得传统GNN模型的性能受到挑战。

在这种情况下，**分离学习策略的核心思想是将图中的节点分成不同的组，然后对每组节点应用不同的学习规则或模型参数。**这样做的目的是为了具有不同连接模式的节点提供定制化的表示学习过程，以更好地捕捉和利用图中的结构信息。

节点分组：根据某些标准（如节点的异配性程度、连接模式、标签分布等）将图中的节点分成不同的组。
定制化学习：为每个节点组设计和应用不同的学习策略或模型参数。例如，对于连接模式较为复杂的异配性节点组，可能需要更复杂的模型结构或更细致的调参来捕捉其特征。
独立优化：对每个节点组独立进行模型训练和优化，使得每个组内的节点可以根据自己的特点学习到更合适的表示。
信息融合：在某些情况下，分离学习策略也可以考虑如何在不同组之间有效地交换或融合信息，以进一步提升模型的整体性能。

在本文中，作者提出的Neighborhood Confusion-guided Graph Convolutional Network（NCGCN）框架就是基于分离学习思想，通过引入邻域混淆（Neighborhood Confusion，NC）度量来区分节点，并根据节点的NC值将它们分组，然后在组内进行权重共享和消息传递，从而有效地处理图中的异配性节点问题。