深入理解图（Graph）与图神经网络 （GNN）（其四）

当数据的结构与底层图的结构不兼容时，图神经网络会遇到困难。许多图学习数据集和基准测试都默认数据同质性（即相邻节点的特征或标签相似，或者用信号处理术语来说，是“平滑”的）。在这种情况下，即使是简单的低通滤波（例如取邻居的平均值）也能很好地工作。早期的基准测试，包括现在广泛使用的Cora数据集，都是在具有很高同质性的图上进行的，使得对图神经网络的评估变得“太容易”。

同质性Homophilic数据集（左图）和异质性heterophilic数据集（右图）。在同质性数据集中，节点的特征或标签的结构与图的结构兼容（即节点与其邻居“相似”）。相似的节点用相同的颜色表示

然而，当处理异质性数据时，许多模型显示出令人失望的结果，这种情况下需要使用更细致的聚合方式。在这种情况下观察到的两种典型现象是要么完全避免使用邻居信息（因此GNN基本上变成了节点级别的多层感知机），要么出现“过度平滑 oversmoothing”现象，即GNN的每一层节点表示变得更加平滑，最终崩溃成为一个单点。后一种现象在同质性数据集中也会出现，并且似乎是某些类型的MPNNs（信息传递形图神经网络）更基本的问题，使得实现深度图学习