具有多样化谱滤波的图神经网络

谱图神经网络（GNN）在图机器学习中取得了巨大成功，多项式滤波器被用于图卷积，其中所有节点共享相同的滤波器权重以挖掘其局部上下文。尽管取得了成功，但现有的谱 GNN 通常难以处理复杂网络（例如 WWW），因为这种同质化的谱滤波设置忽略了现实世界网络中常见的区域异质性。为了解决这个问题，我们提出了一种新颖的多样化谱滤波（DSF）框架，该框架自动学习特定于节点的滤波器权重，以适当地利用变化的局部结构。具体而言，多样化的滤波器权重由两部分组成——所有节点共享的全局权重，以及沿网络边变化的局部权重以反映不同图部分引起的节点差异——以在局部和全局信息之间取得平衡。因此，不仅可以捕获全局图特征，还可以在感知不同节点位置的情况下挖掘多样的局部模式。有趣的是，我们提出了一个新颖的优化问题来辅助学习多样化滤波器，这也使我们能够用我们的 DSF 框架增强任何谱 GNN。我们在包括 GPR-GNN、BernNet 和 JacobiConv 在内的三个 SOTA 模型上展示了所提出的框架。在 10 个基准数据集上的大量实验表明，我们的框架在节点分类任务中可以持续提升模型性能达 4.92%，并生成具有增强可解释性的多样化滤波器。代码可在 \url{https://github.com/jingweio/DSF} 获取。