一种用于图的主动扩散神经网络

热扩散的类比增强了我们对图中信息流的理解，并激发了图神经网络（GNN）的发展。然而，大多数基于扩散的 GNN 模拟被动热扩散，仍然存在过平滑问题，限制了其捕获全局图信息的能力。受宇宙热死亡原理启发——该原理指出在封闭系统中，能量分布随时间趋于均匀——我们认识到，在扩散进行时，图中节点表示在没有外部输入的情况下会收敛为相同的特征向量。为解决此问题，我们提出了基于主动扩散的图神经网络（ADGNN）。ADGNN 通过整合多个外部信息源来实现主动扩散，这些信息源动态地影响扩散过程，从而有效地克服了过平滑问题。此外，我们的方法通过直接计算主动扩散迭代公式的闭式解实现了真正的无限扩散。这允许节点在保持独特性的同时，高效地获得对图全局结构的全面了解。我们在各种图任务上对 ADGNN 与几个最先进的 GNN 模型进行评估。结果表明，ADGNN 在准确率和效率方面显著提高，凸显了其在捕获全局图信息和保持节点独特性方面的有效性。