我们需要各向异性图神经网络吗？

图神经网络（GNN）领域的普遍看法认为，各向异性模型——其中节点间发送的消息是源节点与目标节点的函数——是实现最优性能所必需的。迄今的基准测试已表明，这些模型优于可比较的各向同性模型——其中消息仅是源节点的函数。在本工作中，我们提供挑战这一叙事的经验证据：我们提出一种称为高效图卷积（EGC）的各向同性GNN，它通过使用空间变化自适应滤波器，持续优于可比较的各向异性模型，包括流行的GAT或PNA架构。除了为GNN领域提出重要问题外，我们的工作对效率具有显著的实际意义。EGC以更低的内存消耗与延迟实现更高的模型精度，并具备适合加速器实现的特性，同时可作为现有架构的即插即用替代。作为各向同性模型，它需要正比于图中顶点数的内存（$\mathcal{O}(V)$）；相反，各向异性模型需要正比于边数的内存（$\mathcal{O}(E)$）。我们证明EGC在6个大型且多样的基准数据集上优于现有方法，并最后讨论我们的工作今后为该领域提出的问题。我们实验的代码与预训练模型见于 https://github.com/shyam196/egc。