在异质性条件下为图神经网络学习个性化的范围
原文中文，约500字，阅读约需2分钟。发表于：。该研究解决了异质性图中节点连接的挑战，提出个性化范围的方法来改善图神经网络（GNN）的性能。通过将个性化范围形式化为一个单独的范围分类问题，并预测每个节点的最佳GNN深度，研究表明这一方法能够显著提高模型的泛化能力。提出的自适应范围（AS）方法灵活适用于多种GNN架构，并在多个数据集上显著提升了准确性。
最近，图神经网络（GNNs）在半监督节点分类中表现出色。然而，大多数GNN都遵循同质性假设，限制了其能力。为此，研究人员引入了AMUD和ADPA，提高了图学习的效果。实验证实了它们的出色性能。
