[论文解读] Graph Neural Networks for Graphs with Heterophily: A Survey

Xin Zheng, Wang, Yi+6 more|arXiv (Cornell University)|Feb 14, 2022

Advanced Graph Neural Networks被引用 87

一句话总结

本综述为异质性图上的图神经网络（GNNs）提供全面的分类法和基准，详细介绍非本地邻居扩展与架构优化方法，以及未来发展方向。

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.

研究动机与目标

• 激发在同配假设失效的异质性图上研究GNNs。
• 提供一个系统的分类法，将异质性GNN方法分为非本地邻居扩展和GNN架构优化。
• 总结用于异质性图的真实世界基准和数据集，以支持公平评估。
• 分析局限性并提出在可解释性、鲁棒性、可扩展性和数据探索方面的未来方向。

提出的方法

• 提出一个基于如何定义邻居以及如何聚合信息的异质性GNN系统分类法。
• 回顾两大类别：非本地邻居扩展（高阶邻居混合与潜在邻居发现）与GNN架构优化（自适应聚合、自我邻居分离、层间结合）。
• 总结代表性模型及其技术，包括谱聚合和空间聚合方案，以及在消息中处理异质性的不同方式。
• 汇编并总结真实世界的异质基准及其统计数据，以支持稳健评估。

实验结果

研究问题

• RQ1 当前在异质性图上研究GNN的方法族有哪些？它们如何解决邻居发现和信息聚合？
• RQ2 非本地邻居扩展与GNN架构优化在异质性环境中如何比较与互补？
• RQ3 存在哪些用于异质性GNN评估的基准？它们有哪些局限？
• RQ4 在可解释性、鲁棒性、可扩展性和数据探索方面，哪些方向最具潜力？

主要发现

• 一套系统的分类法将异质性GNNs分为非本地邻居扩展和GNN架构优化。
• 非本地方法包括高阶邻居混合和潜在邻居发现，以捕捉信息丰富的远距离节点。
• 架构优化方法涵盖自适应聚合、自我邻居分离、层间结合，以提升判别力。
• 已总结一组真实世界的异质基准（例如 WebKB 子集、Chameleon、Squirrel、Wiki、ArXiv-Year、Snap-Patents 等）以支持评估。
• 本综述强调可解释性、鲁棒性、可扩展性和全面基准作为异质性GNN研究的关键未来方向。