Introduction
引入一种新的广义PageRank (GPR) GNN架构来解决异构性与过平滑问题,该架构自适应地学习GPR权值,从而联合优化节点特征和拓扑信息提取,而不管节点标签的同质性或异质性的程度。本文模型的架构与上一篇读过的论文差不多,但是给出了大量的理论证明,对于研究GNN原理的小伙伴有很大的启发(也注定了我写这篇博客得花好长时间)。也要感谢本文的作者对我的一些疑问给出的详细解释,话说认真搞学术的人可真是随和呀。
具体来说呢,就是在模型的传播过程中引入权重信息,权重取决于信息传播过程中不同步骤的贡献,可以是正的,也可以是负的。我们在之前的MixHop一文中也有对负权重的类似探讨,直觉上来说负权重增加了模型的表示能力。本文也从理论上证实了负权重如何解决过平滑的问题。此外,也证明了GPR涉及到一般的多项式图滤波,它可以自然地处理图信号的高低频部分。相比之下,APPNP本质上还是一种低通滤波器