第 21 届 IEEE 泛在智能与计算国际会议 （UIC 2024）在斐济盛大举行。吸引了全球人工智能领域的顶尖学者与专家汇聚一堂，共同探讨和展示最新的研究成果。iGraph研究组的论文“Heterophilic Graph Representation Learning Based on Multi-Order Information Extraction and High and Low Pass Filters” 有幸可以在此会议上发表。

       论文概述：现实世界的网络可以分为同配图和异配图。值得注意的是，同配图中的许多节点倾向于异配。异配图中的图表示学习近年来引起了相当大的关注，因为它打破了同配假设并实现了更高配量的图嵌入。然而，现有的异配图表示学习方法通​​常混合属性和拓扑信息，忽略了属性信息和拓扑信息之间的互斥。此外，异配图中的算法通常依赖于特定的矩阵结构来捕获高阶信息，这可能会限制这些方法的适用性。针对这些问题，本文提出了一种基于 GNN 的异配图表示学习策略，该策略基于多阶信息提取和高低通滤波器 (HRLMHL)。首先，设计了两个相对独立的模块分别学习属性信息和拓扑信息，以解决不匹配的问题。其次，构建了多阶信息提取模块，提取多阶相似性特征，从而实现高阶图信息的学习。在真实数据集上的实验表明，在大多数数据集上，节点分类准确率优于当前最佳方法。