[논문 리뷰] Graph Neural Networks for Graphs with Heterophily: A Survey

Xin Zheng, Wang, Yi외 6명|arXiv (Cornell University)|2022. 02. 14.

Advanced Graph Neural Networks인용 수 87

한 줄 요약

이 설문조사는 이질 친화 그래프에서 GNN에 대한 포괄적인 분류체계와 벤치마크를 제공하며, 비국소 이웃 확장 및 아키텍처 정교화 접근법과 향후 방향을 자세히 다룬다.

ABSTRACT

Recent years have witnessed fast developments of graph neural networks (GNNs) that have benefited myriads of graph analytic tasks and applications. In general, most GNNs depend on the homophily assumption that nodes belonging to the same class are more likely to be connected. However, as a ubiquitous graph property in numerous real-world scenarios, heterophily, i.e., nodes with different labels tend to be linked, significantly limits the performance of tailor-made homophilic GNNs. Hence, GNNs for heterophilic graphs are gaining increasing research attention to enhance graph learning with heterophily. In this paper, we provide a comprehensive review of GNNs for heterophilic graphs. Specifically, we propose a systematic taxonomy that essentially governs existing heterophilic GNN models, along with a general summary and detailed analysis. Furthermore, we discuss the correlation between graph heterophily and various graph research domains, aiming to facilitate the development of more effective GNNs across a spectrum of practical applications and learning tasks in the graph research community. In the end, we point out the potential directions to advance and stimulate more future research and applications on heterophilic graph learning with GNNs.

연구 동기 및 목표

• 동질성 가정이 실패하는 이질 친화 그래프에서 GNN 연구의 동기를 부여한다.
• 비국소 이웃 확장과 GNN 아키텍처 정교화를 통해 이질 친화 GNN 접근법을 체계적으로 분류하는 분류법을 제시한다.
• 현실 세계의 벤치마크와 데이터세트를 요약하여 공정한 평가를 지원한다.
• 해석 가능성, 강건성, 확장성 및 데이터 탐색의 한계를 분석하고 향후 방향을 제시한다.

제안 방법

• 이웃이 정의되는 방식과 메시지가 어떻게 집계되는지에 따라 이질 친화 GNN의 체계적인 분류법을 제안한다.
• 두 가지 주요 범주를 검토한다: 비국소 이웃 확장(고차 이웃 혼합 및 잠재 이웃 탐색)과 GNN 아키텍처 정교화(적응형 집계, 에고-이웃 분리, 층 간 결합).
• 스펙트럴 및 공간적 집계 방식 포함 대표 모델과 그 기법을 요약하고, 메시지에서 이질 친화를 다루는 다양한 방법을 제시한다.
• 현실 세계의 이질 친화 벤치마크와 그 통계를 수집·요약하여 강건한 평가를 지원한다.

실험 결과

연구 질문

• RQ1 이질 친화 그래프에서 GNN의 현재 방법 계열은 무엇이며 이웃 탐색 및 정보 집계에 어떻게 대응하는가?
• RQ2 비국소 이웃 확장과 GNN 아키텍처 정교화는 이질 친화 설정에서 어떻게 비교되고 서로를 보완하는가?
• RQ3 이질 친화 GNN 평가를 위한 벤치마크는 어떤 것이 있으며 어떤 한계가 있는가?
• RQ4 이질 친화 GNN에서 해석 가능성, 강건성, 확장성 및 데이터 탐색을 개선하기에 가장 유망한 방향은 무엇인가?

주요 결과

• 체계적인 분류법은 이질 친화 GNN을 비국소 이웃 확장과 GNN 아키텍처 정교화로 나눈다.
• 비국소 방법에는 고차 이웃 혼합 및 잠재 이웃 탐색이 포함되어 정보가 있는 먼 노드를 포착한다.
• 아키텍처 정교화 방법은 적응형 집계, 에고-이웃 분리 및 층 간 결합을 포함하여 구별 가능성을 향상시킨다.
• 평가를 지원하기 위해 현실 세계의 이질 친화 벤치마크 집합(예: WebKB 하위집합, Chameleon, Squirrel, Wiki, ArXiv-Year, Snap-Patents 등)을 요약한다.
• 본 설문조사는 해석 가능성, 강건성, 확장성 및 포괄적 벤치마크를 이질 친화 GNN 연구의 주요 향후 방향으로 강조한다.