打破半监督节点分类中同质性和异质性的纠缠
原文中文，约600字，阅读约需2分钟。发表于：。最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的 GNN 都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为补充，异质性反映了连接节点之间的不相似性，在图学习中引起了重要关注。为此，数据工程师旨在开发一个能够确保在同质性和异质性下性能的强大 GNN...
图神经网络（GNNs）在半监督节点分类中表现出显著性能。然而，大多数现有的GNN都遵循同质性假设，这在实际应用中被证明是脆弱的。AMUD是一种新的数据工程方法，能够在同质性和异质性下提供强大的性能。实证研究表明AMUD指导了高效的图学习。ADPA在14个基准数据集上表现出色，优于基准线3.96%。
