分支路径：分离同质性与异质性学习以提升图级表示

图卷积网络（GCNs）主要针对表现出同质性（相似节点相连）的图进行设计，但在异质性图上往往难以实现。针对节点级任务，采用不同方法学习同质性和异质性组成部分的策略已在理论和实验上广泛讨论并证明有效。然而，在图级任务中，关于这一话题的研究仍显得稀缺。为填补这一空白，本研究分析了节点类别 ID 可用的图，区分内部类别组成部分和外部类别组成部分，分别作为同质性和异质性的体现。我们发现，尽管GCNs在提取类别内部信息方面表现出色，但常常捕获外部类别组成部分中的噪声。因此，针对内部和外部类别元素，采用不同学习策略至关重要。为缓解此问题，我们通过一种内部类别卷积（IntraNet）和一种外部类别高通滤波图卷积（InterNet）分别学习内部和外部类别部分。我们的IntraNet基于精细的图预处理步骤和一种新颖的基于类别的图读取函数。对于InterNet，我们利用高通滤波器放大节点差异，增强对高频成分细节的识别。所提出的方法DivGNN将IntraNet和InterNet结合，并通过门控机制，显著提升了图级任务上的分类性能，超越了传统GNN基线。