摘要

图神经网络（Graph Neural Networks, GNNs）在基于图的分析任务中展现出显著优势。然而，现有大多数方法均基于同质性假设，在异质性图（heterophilic graphs）上表现不佳。在异质性图中，相连节点的特征差异较大且类别标签不同，语义相关的节点可能相隔多跳。为解决这一局限性，本文提出GraphRARE——一种基于节点相对熵与深度强化学习的通用框架，旨在增强GNN的表达能力。该框架引入一种创新的节点相对熵度量方法，综合考虑节点特征与结构相似性，用于衡量节点对之间的互信息。此外，为避免远距离节点带来的有用信息与噪声混合所导致的次优解问题，本文设计了一种基于深度强化学习的图拓扑优化算法。该算法依据定义的节点相对熵，智能选择具有信息量的节点，同时剔除噪声节点。在七个真实世界数据集上开展的大量实验表明，GraphRARE在节点分类任务中具有显著优势，并具备优化原始图拓扑结构的能力。