新上线今天0 投票
分层多尺度图神经网络：解决异质性图学习的过平滑与过挤压问题
图神经网络（GNN）在处理异质性图（heterophily graph）时面临独特挑战：相邻节点往往标签不同，而现有谱方法存在中心节点主导聚合、过平滑和过挤压等问题。近期一篇arXiv论文提出了一种名为**分层多视图HAAR（HMH）**的新框架，在保持近线性时间复杂度的同时，显著提升了异质性图分类性能。
异质性图学习的三重困境
现实世界中，从社交网络到分子相互作用，大量图结构呈现异质性——即相连节点通常属于不同类别。传统的GNN假设同质性（homophily），即相邻节点相似，因此直接应用会失效。现有针对异质性的谱GNN方法虽有所改进，但存在三大缺陷：
- 中心节点主导聚合：度数高的节点（hub）在聚合时过度影响邻居，导致信息偏差。
- 过平滑：随着层数加深，节点特征趋于一致，丧失区分度。
- 过挤压：长距离信息传递时，瓶颈节点压缩信号，导致信息丢失。
HMH：多尺度分层方案
HMH的核心思路是构建一个软图层次结构，并在每个层级应用稀疏、正交且局部感知的Haar小波基，从而在频域进行可学习的谱滤波。具体流程包括：
- 异质性感知编码器：学习特征和结构感知的符号亲和度（signed affinities），区分正负连接。
- 软图层次构建：根据嵌入引导，将图划分为多个层级。
- 多尺度Haar滤波：在每个层级构建Haar基，应用可学习滤波器，避免近似误差。
- 跳跃连接反池化：将各层级输出合并回原始图，防止中心主导和长距离瓶颈。
实验表现与意义
实验表明，HMH在节点分类任务上最高提升3%，在图分类任务上最高提升7%，同时保持了近线性可扩展性。这一成果为处理大规模异质性图提供了新思路，尤其适用于社交网络分析、药物分子设计等场景。
行业启示
当前GNN在工业界应用广泛，但异质性场景仍是难点。HMH通过多尺度分层和Haar小波，有效缓解了过平滑和过挤压，且不牺牲计算效率。未来，该框架可能被集成到主流图学习平台（如PyG、DGL），推动异质性图在推荐系统、生物信息学等领域的落地。