异质图自适应结构学习探索

探索异质图的自适应结构学习

摘要
图卷积网络（GCNs）在图表示学习领域获得广泛关注，近期研究重点聚焦于提升其在异质图上的性能以应对现实应用需求。典型消息传递范式中的局部特征聚合机制，阻碍了对同类别非局部节点间长程依赖关系的捕获。异质图固有的连接结构常与远距离同类别节点间的信息共享需求相冲突。我们提出在浅层GCN中通过结构学习重连边关系，以避免因过度平滑导致的下游判别任务性能退化。通过参数化邻接矩阵学习非局部节点间的连接，可扩展浅层GCN的跳跃范围从而捕获长程依赖。但该方法在异质图间缺乏通用性，且节点分类任务表现会随图结构变化而波动。

注释
本草案最初提交至Tiny ICLR 2025会议

学科分类
机器学习（cs.LG）

引用信息
arXiv:2507.21191 [cs.LG]
DOI: 10.48550/arXiv.2507.21191

提交历史
2025年7月27日提交（版本v1）
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）
公众号二维码