ترجمه فارسی مقاله اهرم اصل ثابت برای تغییر ساختار نمودار هتروفیلیک

چکیده

Heterophilic Graph Neural Networks (HGNNs) have shown promising results for semi-supervised learning tasks on graphs. Notably, most real-world heterophilic graphs are composed of a mixture of nodes with different neighbor patterns, exhibiting local node-level homophilic and heterophilic structures. However, existing works are only devoted to designing better HGNN backbones or architectures for node classification tasks on heterophilic and homophilic graph benchmarks simultaneously, and their analyses of HGNN performance with respect to nodes are only based on the determined data distribution without exploring the effect caused by this structural difference between training and testing nodes. How to learn invariant node representations on heterophilic graphs to handle this structure difference or distribution shifts remains unexplored. In this paper, we first discuss the limitations of previous graph-based invariant learning methods from the perspective of data augmentation. Then, we propose \textbf{HEI}, a framework capable of generating invariant node representations through incorporating heterophily information to infer latent environments without augmentation, which are then used for invariant prediction, under heterophilic graph structure distribution shifts. We theoretically show that our proposed method can achieve guaranteed performance under heterophilic graph structure distribution shifts. Extensive experiments on various benchmarks and backbones can also demonstrate the effectiveness of our method compared with existing state-of-the-art baselines.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار هتروفیلیک (HGNN) نتایج امیدوار کننده ای را برای کارهای یادگیری نیمه نظارت بر روی نمودارها نشان داده اند.نکته قابل توجه ، بیشتر نمودارهای هتروفیلیک در دنیای واقعی از ترکیبی از گره ها با الگوهای مختلف همسایه تشکیل شده اند که ساختارهای هموفیلی و هتروفیل در سطح گره محلی را نشان می دهند.با این حال ، آثار موجود فقط به طراحی ستون فقرات HGNN بهتر یا معماری برای وظایف طبقه بندی گره بر روی معیارهای نمودار هتروفیلیک و هموفیلی به طور همزمان اختصاص داده شده است ، و تجزیه و تحلیل آنها از عملکرد HGNN با توجه به گره ها فقط بر اساس توزیع داده های تعیین شده بدون کاوش در اثر ناشی از اثر ناشی از آن است.این تفاوت ساختاری بین گره های آموزش و آزمایش.نحوه یادگیری بازنمایی گره های ثابت در نمودارهای هتروفیل برای رسیدگی به این تفاوت ساختار یا تغییرات توزیع ناشناخته است.در این مقاله ، ما ابتدا در مورد محدودیت های روشهای یادگیری متغیر مبتنی بر نمودار قبلی از منظر تقویت داده ها بحث می کنیم.سپس ، ما \ textbf {hei} را پیشنهاد می کنیم ، چارچوبی که قادر به تولید بازنمایی گره های ثابت از طریق ترکیب اطلاعات ناهمگن برای استنباط محیط های نهفته بدون تقویت است ، که سپس برای پیش بینی ثابت استفاده می شود ، تحت تغییر ساختار نمودار هتروفیلیک.ما از لحاظ تئوریکی نشان می دهیم که روش پیشنهادی ما می تواند در تغییرات توزیع ساختار نمودار هتروفیلیک به عملکرد تضمین شده دست یابد.آزمایش های گسترده در معیارهای مختلف و ستون فقرات همچنین می تواند اثربخشی روش ما را در مقایسه با خط مقدماتی پیشرفته موجود نشان دهد.