时空图神经网络中的过度压抑问题

图神经网络（GNN）在 various 领域取得了显著的成功。然而，最近的理论进展识别到了其信息传播能力的根本局限性，例如过度压抑，其中远距离节点未能有效交换信息。虽然在静态上下文中广泛研究了此问题，但在处理与图节点相关序列的时空图神经网络（STGNNs）中仍未得到探讨。然而，时序维度通过增加必须传递的信息量，放大了这一挑战。在本工作中，我们形式化了时空过度压抑问题，并展示了其与静态情况的 distinct 特征。我们的分析揭示了，出于 counterintuitively 的原因，卷积 STGNNs更倾向于来自时序上遥远的点进行信息传播，而不是在时间上靠近的点。此外，我们证明了遵循 time-and-space 或 time-then-space 处理范式的体系结构同样受到这一现象的影响，为计算上高效的实现提供了理论依据。我们在 synthetic 和 real-world 数据集上验证了我们的发现，为更深入的其运行动力学和原则指导的更有效设计提供了见解。