Graph homophily booster: Discrete features を異質性グラフ学習における役割を再考する

arXiv:2602.07256v1 発表タイプ: 新作 要約：グラフニューラルネットワーク (GNN) は、構造化されたデータをモデル化する強力なツールとして台頭しました。しかし、既存の GNN は、接続されたノードが類似した特徴やラベルを持つ傾向がない異質性グラフ (heterophilic graphs) では、よく機能しません。多くの方法が提案されてはいますが、それらは主にアーキテクチャ設計に焦点を当てており、異質性問題の根本原因を直接的に対処していません。これらのアプローチは、困難な異質性データセット上で、最も単純な全結合ニューラルネットワーク (MLP) よりもさらに劣るパフォーマンスを示すことがありますが、これは、アーキテクチャ設計の枠を超えた異質性の解決策を求めることを要請する重要な課題です。このギャップを埋めるために、私たちは、細心の注意を払って設計されたグラフ変換を通じてグラフの同質性 (homophily) を直接増加させる、新しい、未開拓のパラジグムを提案し、検討しました。この仕事では、GRAPHITE という単独かつ効果的なフレームワークを提示します。当論文には、現在の知る限り、グラフの異質性を直接改善するために、グラフを明示的に変換する最初の方法が記載されています。同質性の厳密な定義に基づき、我々は、類似した特徴を持つノード間の同相メッセージ伝達を促進するために、特徴ノードを作成する GRAPHITE を提案しました。また、理論的および実証的な観点から、我々が提案した GRAPHITE が、元々の異質性グラフの同質性を顕著に増加させ、かつグラフサイズのみわずかに増加させることを示しました。困難なデータセットにおける大規模実験により、我々の提案した GRAPHITE が異質性グラフ上で最先端の方法を大幅に超越し、同質性グラフ上で最先端の方法との同精度を実現することが確認されました。

arXiv:2602.07256v1 Announce Type: new Abstract: Graph neural networks (GNNs) have emerged as a powerful tool for modeling graph-structured data. However, existing GNNs often struggle with heterophilic graphs, where connected nodes tend to have dissimilar features or labels. While numerous methods have been proposed to address this challenge, they primarily focus on architectural designs without directly targeting the root cause of the heterophily problem. These approaches still perform even worse than the simplest MLPs on challenging heterophilic datasets. For instance, our experiments show that 21 latest GNNs still fall behind the MLP on the Actor dataset. This critical challenge calls for an innovative approach to addressing graph heterophily beyond architectural designs. To bridge this gap, we propose and study a new and unexplored paradigm: directly increasing the graph homophily via a carefully designed graph transformation. In this work, we present a simple yet effective framework called GRAPHITE to address graph heterophily. To the best of our knowledge, this work is the first method that explicitly transforms the graph to directly improve the graph homophily. Stemmed from the exact definition of homophily, our proposed GRAPHITE creates feature nodes to facilitate homophilic message passing between nodes that share similar features. Furthermore, we both theoretically and empirically show that our proposed GRAPHITE significantly increases the homophily of originally heterophilic graphs, with only a slight increase in the graph size. Extensive experiments on challenging datasets demonstrate that our proposed GRAPHITE significantly outperforms state-of-the-art methods on heterophilic graphs while achieving comparable accuracy with state-of-the-art methods on homophilic graphs.