DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络
内容提要
该文汇总多项图神经网络研究：CONN通过选择性传播与交叉重构改进属性网络嵌入；有研究指出无属性时GNN仅编码行走次数等结构信息；KGNN结合知识图谱保留关系模式；HGCN联合学习节点嵌入与层次结构；LM-GNN融合异构图与文本；DAGNN基于偏序；G-GNNs通过无监督预训练刷新基准；另有研究关注鲁棒性与蒙特卡洛采样增强节点分类。
延伸解读
无属性时GNN编码了什么？
文章指出，当节点属性不可用时，部分GNN模型仅能编码图的结构信息，如行走次数。具体而言，两种模型将所有节点嵌入同一特征向量，另两种则生成与行走数量相关的表示。这意味着在k>1层，结构不相似的节点若行走次数相同，可能获得相似表示，揭示了GNN在无属性场景下的局限性。
属性与结构信息的融合策略
CONN通过选择性传播相邻节点和属性类别的消息，并利用交叉相关重构节点间及节点到属性类别的交互，提升了属性网络嵌入效果。KGNN则结合知识图谱保留关系模式，联合探索高阶结构和属性信息。这些方法表明，有效融合属性与结构信息是提升GNN表达能力的关键。
鲁棒性与预训练进展
针对GNN鲁棒性问题，研究表明通过图增强训练可显著提高模型对结构噪声的稳健性。同时，G-GNNs通过无监督预训练获取全局结构和属性特征，在Cora和Pubmed上刷新了基准记录。蒙特卡洛采样框架则利用集体学习和自监督增强节点分类，在多个真实数据集上取得性能提升。
Q&A
CONN 是什么？它有什么特点？
CONN 是一种专门用于属性网络嵌入的图神经网络架构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。
如果没有节点属性，图神经网络会学到什么？
研究表明，在没有节点属性可用的情况下，四种流行的 GNN 模型中，两个将所有节点嵌入同一特征向量中，而另外两个生成与输入图上的行走数量有关的表示。在图的某一层 k>1，结构不相似的节点如果具有相同长度的行走次数，则可以具有相似的表示。
KGNN 框架是如何工作的？
KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。
HGCN 有什么创新点？
HGCN 是一种层次图胶囊网络，可以联合学习节点嵌入和提取图层次结构，通过识别每个节点下的异构因素建立分离的图胶囊，从而表征同一实体的不同属性，并通过显式考虑部件之间的结构信息来表征低层胶囊（部分）和高层胶囊（整体）之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。
LM-GNN 是如何结合文本和异构图结构的？
LM-GNN 通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索-购买-产品的应用中提供了有竞争力的结果。
G-GNNs 在哪些数据集上取得了新的基准？
G-GNNs 在 Cora 上达到 84.31%，在 Pubmed 上达到 80.95%，建立了新的基准记录。
如何提高图神经网络的鲁棒性？
研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性，尤其是在节点结构预测中添加结构噪声的情况下。
蒙特卡洛采样框架如何增强 GNN 节点分类？
该框架基于集体学习和自监督学习，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。
