【AAAI2021】图卷积网络中的低频和高频信息作用

图神经网络(GNNs)在各种网络相关任务已被证明是非常有效的。大多数现有的GNN通常利用节点特征的低频信号，这就产生了一个基本的问题: 低频信息是我们在现实应用中所需要的全部吗?在本文中，我们首先提出了一个实验研究来评估低频和高频信号的作用，结果清楚地表明，探索低频信号与在不同场景下学习有效的节点表示是遥远的。在GNN中，我们如何自适应地学习低频信息以外的更多信息?一个可行的方案可以帮助GNNs增强适应性。针对这一问题，我们提出了一种具有自适应机制的频率自适应图卷积网络(FAGCN)，该网络能够在消息传递过程中自适应地整合不同的信号。为了加深理解，我们从理论上分析了低频信号和高频信号在学习节点表示上的作用，进一步解释了为什么FAGCN能在不同类型的网络上表现良好。在六个真实网络上的广泛实验证实，FAGCN不仅缓解了过度平滑的问题，而且比最先进的技术有优势。

https://www.zhuanzhi.ai/paper/7cfc3401bf12182d85c24e8231e760ec