保持邻居相似性的全局鲁棒图神经网络
内容提要
该文综述异质图神经网络研究，涵盖异质性标签与对抗攻击鲁棒性的关系及可提升鲁棒性18.33%的设计原则，多谱滤波器节点注意力模型、广义PageRank架构、图重构与双图聚类方法，传统GCN在部分异质图上更优且同质性非性能必要条件的发现，群体公平性与局部同配性的联系及可提升公平性25%的异质GNN设计，CAGNNs框架对节点分类准确率的提升，解释性能差异的PAC-Bayesian界，以及异质GNN的分类、基准与方向综述。
延伸解读
异质图设计并非总是优于传统GCN
文章指出，传统GCN在特定条件下于某些常用异质图上表现更好，且同质性并非GNN性能的必要条件。这提醒读者，面对异质图任务时不应默认复杂新架构一定更优，需结合具体数据特性评估。该发现也支持了后续关于性能差异的理论解释，即同质比与异质性的差异会影响模型表现。
鲁棒性与公平性可借异质设计提升
文章提到，针对异质性标签与对抗攻击鲁棒性的关系，采用相应设计原则可提升鲁棒性达18.33%；类似地，采用能处理非同配组标签的异质GNN设计，可将局部异质性邻域的群体公平性提高高达25%。这表明异质GNN的设计不仅关乎分类精度，还能在鲁棒性和公平性等维度带来可量化的改善，为实际部署提供了额外考量。
性能差异有理论解释，但需注意边界
文章提出非i.i.d PAC-Bayesian概率界，通过特征聚合距离和同质比异质性差异解释GNN在同构与异构图上的性能差异，并证实较深GNN的有效性。这为理解模型行为提供了理论工具，但读者需注意这些结论基于特定实验设置，实际应用时仍需结合具体图分布验证，不可直接套用。
Q&A
异质性标签和GNN对抗攻击鲁棒性有什么关系？
研究表明，采用针对异质性标签的设计原则可以提高GNN的对抗攻击鲁棒性，实验证明比未接种疫苗的模型鲁棒性更好，结合防御机制后性能提升可达18.33%。
有哪些GNN模型专门用于处理异质图？
文章提到了多种异质图GNN模型，包括使用多可学习谱滤波器的节点注意力模型（Jun, 2021）、广义PageRank（GPR）架构（Mar, 2021）、CAGNNs框架（Jul, 2022）、H2GCN（Feb, 2022），以及图重构与双图聚类方法（Jun, 2020）等。
传统GCN在异质图上一定比新架构差吗？
不一定。研究发现传统GCN在特定条件下在某些常用异质图上表现比使用新架构的GNN更好，证实了同质性不是良好GNN性能的必要条件。
异质GNN设计如何提升群体公平性？
采用能够处理非同配组标签的异质性GNN设计，可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达25%，优于同质性设计。
CAGNNs框架对节点分类准确率有什么提升？
CAGNNs框架通过跨类别邻居的特征聚合，能够分别提高GIN、GAT和GCN的平均预测准确率9.81%、25.81%和20.61%。
为什么GNN在同构和异构图上的节点分类性能有差异？
文章提出了一种非i.i.d PAC-Bayesian概率界，通过特征聚合距离和同质比异质性差异来解释性能差异，并证实了较深GNN的有效性，还发现了图形分布偏移问题的新因素。
