Using Subgraph GNNs for Node Classification:an Overlooked Potential Approach
作者: Qian Zeng, Xin Lin, Jingyi Gao, Yang Yu
发布时间: 2025-03-11
来源: arxiv
研究方向: 图神经网络（GNN）在节点分类中的应用
主要内容
该研究提出了一种名为SubGND（Subgraph GNN for NoDe）的新型框架，将节点分类任务转化为子图分类问题，以解决传统GNN方法在可扩展性和分类精度之间的权衡问题。
主要贡献
1. 首次将节点分类任务完全从子图的角度进行探索，通过问题重构引入了一种新的方法来应用GNN于节点分类。
2. 识别了子图转换过程中常见的标签冲突问题，并提出了一种包含差异化零填充策略、独特的Ego-Alter子图表示方法和自适应特征缩放机制的子图框架。
3. 在多个公共数据集上的广泛实验表明，SubGND在异构图设置中显著优于现有方法，验证了其有效性和可扩展性。
研究方法
1. 使用ISRW算法生成节点诱导子图。
2. 采用差异化零填充策略来增强节点表示的可表达性。
3. 引入Ego-Alter子图表示方法来解决标签冲突问题。
4. 应用自适应特征缩放机制来动态调整特征贡献。
5. 使用GIN作为骨干网络进行节点表示学习。
6. 通过MaxPooling聚合节点表示以增强节点特征。
7. 使用Feedforward神经网络（FFNN）进行最终的预测。
实验结果
SubGND在异构图设置中显著优于现有方法，尤其是在Chameleon和Squirrel数据集上。在同构图设置中，SubGND的性能与全局消息传递GNN相当，甚至略优于一些模型。
未来工作
进一步研究SubGND在更大数据集上的性能，并探索其在其他图学习任务中的应用。