Графовые нейронные сети для графов с гетерофилией: обзор

В последние годы быстрыми темпами развивались графовые нейронные сети (GNN), которые принесли пользу множеству задач и приложений анализа графов. Большинство GNN опираются на предпосылку гомофилии, согласно которой узлы одного класса с большей вероятностью соединены между собой. Однако гетерофилия, т.е. склонность узлов с разными метками к связыванию, являющаяся повсеместным свойством графов во многих реальных сценариях, существенно ограничивает производительность GNN, заточенных под гомофилию. Поэтому GNN для гетерофильных графов привлекают всё большее внимание исследователей с целью улучшения обучения на графах с гетерофилией. В этой статье мы даём всесторонний обзор GNN для гетерофильных графов. В частности, мы предлагаем систематическую таксономию существующих моделей GNN для гетерофилии, сопровождаемую общими сводками и детальными анализами. Кроме того, мы обсуждаем связь между гетерофилией и различными направлениями исследований графов с целью содействия разработке более эффективных GNN для широкого спектра практических приложений и учебных задач в сообществе исследователей графов. В конце мы указываем потенциальные направления для продвижения и вдохновения будущих исследований и приложений в области обучения на гетерофильных графах с помощью GNN.