LG-GNN: Rede Neural Gráfica Adaptativa Local-Global para Modelar Tanto Homofilia Quanto Heterofilia

A maioria das Redes Neurais Gráficas (GNNs) se baseia na suposição de homofilia, onde nós com os mesmos rótulos ou características semelhantes tendem a estar conectados entre si. No entanto, os gráficos do mundo real muitas vezes não respeitam essa suposição de homofilia. Atualmente, a maioria das pesquisas agrega informações de vizinhos de múltiplos saltos para descobrir nós potencialmente relevantes. No entanto, no processo de agregação das GNNs, a diferença entre modelar informações globais e locais não é considerada, levando inevitavelmente à perda de informação. Motivados por essa limitação, propomos o LG-GNN, uma rede neural gráfica adaptativa local-global para modelar tanto homofilia quanto heterofilia. Especificamente, modelamos a similaridade estrutural de longo alcance e a similaridade de características locais entre os nós a partir de perspectivas globais e locais, a fim de capturar dependências distantes em redes altamente heterofílicas, ao mesmo tempo em que reduzimos a mistura de nós de características localmente díspares, aumentando assim a eficácia da agregação de informações em gráficos altamente heterofílicos. Experimentos extensivos em uma ampla gama de conjuntos de dados do mundo real demonstram que nossa abordagem proposta tem um bom desempenho tanto em gráficos heterofílicos quanto homofílicos.