核心观点
本研报探讨了图神经网络（GNN）在异质环境下的局限性，并提出了有效的设计来提升GNN在异质环境下的表示能力和鲁棒性。
GNN在异质环境下的局限性
- 大多数现有的GNN模型假设图具有同质性，即连接的节点具有相似的特征和类别。然而，在现实世界中，许多图具有异质性，即连接的节点可能具有互补但不同的特征和类别。
- 当GNN遇到异质图时，其性能会显著下降，因为传统的聚合器会模糊功能，使其无法区分不同类别的节点。
异质学习的关键设计
- 设计D1：自我和邻居嵌入分离。将节点的自我嵌入和邻居嵌入分开建模，可以更好地捕捉异质环境下的节点特征。
- 设计D2：使用高阶邻域。在异质环境中，高阶邻域可能表现出同质性，因此考虑高阶邻域可以提升GNN的性能。
- 设计D3：组合中间表示。将不同层的中间表示进行组合，可以同时捕获低频和高频的图信号，从而提升GNN的表示能力。
实证评估
- 在合成数据集和真实数据集上进行了广泛的实验，结果表明，结合了设计D1-D3的H2GCN模型在异质环境下具有显著的性能提升，并且在整个同质到异质范围内都表现出强大的性能。
- 消融实验表明，设计D1-D3都对H2GCN的性能提升做出了贡献，其中设计D1在异质环境下尤为重要。
- 与现有的GNN模型相比，H2GCN在异质环境下具有更高的鲁棒性，能够更好地抵抗对抗性攻击。
研究结论
- GNN在异质环境下的局限性限制了其应用范围。
- 设计D1-D3可以有效提升GNN在异质环境下的表示能力和鲁棒性。
- H2GCN模型能够适应同质和异质环境，并具有强大的性能和鲁棒性。
