摘要
图神经网络(GNN)在各种与图相关的任务中已取得显著性能。最近GNN社区的证据表明,这种良好的性能可归因于同质性先验,即连接的节点倾向于具有相似的特征和标签。然而,在异配性设置中,连接节点的特征可能会有显著变化,导致GNN模型性能明显下降。本文将此问题定义为先验数据冲突,提出一种名为混合先验图神经网络(MPGNN)的模型。首先,为解决异配图上同质性先验不匹配的问题,引入无信息先验,它不对连接节点之间的关系做任何假设,并从数据中学习这种关系。其次,为避免同质图上性能下降,通过可学习的权重实现软开关,以平衡同质性先验和非信息先验的影响。评估了MPGNN在合成图和真实世界图上的性能。结果表明,MPGNN能够有效捕捉连接节点之间的关系,而软开关有助于根据图的特征选择合适的先验。基于这两个设计,MPGNN在异配图上优于最先进的方法,而在同质图上不会牺牲性能。