# Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts

### 저자

Jinluan Yang, Zhengyu Chen, Teng Xiao, Wenqiao Zhang, Yong Lin, Kun Kuang

### 개요

본 논문은 이종친화적 그래프 신경망(HGNNs)의 성능 향상을 위한 새로운 프레임워크 HEI를 제안합니다.  실제 이종친화적 그래프는 다양한 이웃 패턴을 가진 노드들의 혼합으로 구성되어 국소적으로 동종친화적 및 이종친화적 구조를 모두 보입니다. 기존 연구는 이종친화적 및 동종친화적 그래프 벤치마크에서 노드 분류 작업을 위한 HGNN 백본 또는 아키텍처 개선에만 집중했으며, 훈련 및 테스트 노드 간 구조적 차이에 따른 영향을 탐구하지 않고 결정된 데이터 분포에만 기반하여 HGNN 성능을 분석했습니다. 이종친화적 그래프에서 이러한 구조적 차이 또는 분포 변화를 처리하기 위한 불변 노드 표현을 학습하는 방법은 아직 탐구되지 않았습니다.  본 논문에서는 먼저 데이터 증강의 관점에서 기존 그래프 기반 불변 학습 방법의 한계를 논의합니다. 그런 다음, 증강 없이 이종친화 정보를 통합하여 잠재 환경을 추론하고 이를 불변 예측에 사용하는 불변 노드 표현 생성 프레임워크인 HEI를 제안합니다. 이론적으로 제안된 방법이 이종친화적 그래프 구조 분포 변화에서 보장된 성능을 달성할 수 있음을 보입니다. 다양한 벤치마크와 백본에 대한 광범위한 실험을 통해 기존 최첨단 기준선과 비교하여 제안된 방법의 효과를 보여줍니다. 코드는 [https://github.com/Yangjinluan/HEI](https://github.com/Yangjinluan/HEI) 에서 확인할 수 있습니다.

[GitHub - Yangjinluan/HEI](https://github.com/Yangjinluan/HEI)

### 시사점, 한계점

- **시사점:** 이종친화적 그래프에서 구조적 차이 또는 분포 변화에도 불변적인 노드 표현을 학습하는 새로운 방법을 제시합니다.  데이터 증강 없이 이종친화 정보를 활용하여 잠재 환경을 추론하는 HEI 프레임워크의 효과를 실험적으로 증명합니다. 이론적 분석을 통해 제안된 방법의 성능 보장을 입증합니다.

- **한계점:**  HEI의 성능이 특정 그래프 구조나 데이터 분포에 따라 달라질 수 있습니다.  더욱 다양하고 복잡한 그래프 구조에 대한 추가적인 실험이 필요합니다.  제안된 방법의 계산 복잡도가 높을 수 있습니다.

[PDF 보기](https://arxiv.org/pdf/2408.09490)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).