2022级博士研究生赵松伟的论文近日被CCF-A类期刊TKDE（IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING）接收。TKDE是人工智能、机器学习以及数据挖掘领域顶级的学术期刊之一，是CCF-A类推荐国际学术期刊。该工作与美国伊利诺伊大学芝加哥分校的Philip S. Yu教授合作完成。
论文题目：EGNN: Exploring Structure-Level Neighborhoods in Graphs with Varying Homophily Ratios
第一作者：赵松伟（2022级博士研究生）
指导教师：陈贺昌
论文概述：图神经网络（GNNs）因其在图结构数据上的优异表现而受到广泛关注。然而，许多现有的方法普遍受到同态假设的约束，使得它们过分依赖于一致邻居传播，这限制了它们推广到异配图的能力。尽管一些方法将聚合扩展到多跳邻居，但在每个节点的基础上调整邻居的大小仍然是一个重大挑战。鉴于此，我们提出了一种具有自适应结构级聚合和标签平滑的演化图神经网络（EGNN），为上述缺点提供了一种新的解决方案。EGNN的核心创新在于利用行为层面的交叉和突变为每个节点分配个性化的邻域结构。具体来说，我们首先利用演化计算的探索能力，自适应地搜索解空间中节点的最优结构级邻域。这种方法增强了目标节点和周围节点之间的信息交换，实现了平滑的向量表示。随后，我们采用演化搜索得到的最优结构进行标签平滑，进一步增强了框架的鲁棒性。我们在9个具有不同同配比率的真实网络上进行了实验，其中出色的性能表明EGNN的能力可以匹配或超过SOTA基线。
