基于飞桨图学习框架的空间异配性感知图神经网络
💡
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
本文介绍了飞桨社区开发者肖淙曦和周景博在数据挖掘顶会KDD2023上发表的论文《Spatial Heterophily Aware Graph Neural Networks》。文章讨论了城市图中的空间异配性问题，并提出了一种空间异配性感知的图神经网络（SHGNN）来解决这个问题。SHGNN通过对邻居节点进行空间划分和特征聚合，以及利用共性和差异信息来增强节点表示。实验结果表明，SHGNN在城市任务中表现出更好的性能。相关代码已在PaddleSpatial平台上开源。
🎯
关键要点
- 飞桨社区开发者肖淙曦和周景博在KDD2023上发表论文《Spatial Heterophily Aware Graph Neural Networks》。
- 文章讨论城市图中的空间异配性问题，并提出空间异配性感知的图神经网络（SHGNN）。
- SHGNN通过空间划分和特征聚合来增强节点表示，解决城市图的空间异配性。
- 实验结果显示，SHGNN在城市任务中表现出更好的性能。
- 肖淙曦是中国科学技术大学在读博士生，主要研究时空数据挖掘和图深度学习。
- 周景博是飞桨开发者高级技术专家，主要从事数据挖掘和机器学习相关研究。
- 城市图的异配性限制了传统图神经网络的性能，SHGNN旨在解决这一问题。
- 提出的空间多样性评分指标用于描述城市图的空间异配性。
- SHGNN模型结构包括旋转-伸缩空间感知邻域聚合和异配感知的空间交互两个模块。
- 旋转-伸缩空间感知邻域聚合通过邻居节点的空间划分来缓解异配性。
- 异配感知的空间交互模块利用共性和差异信息增强节点表示。
- 在不同城市任务的真实数据集上进行实验，验证了SHGNN的有效性。
- 相关代码已在PaddleSpatial平台上开源，支持多种时空计算场景的应用。
➡️
