过平滑、过压缩、异质性、长程依赖及更多：解构图机器学习中的常见误解

在研究者通过深度学习视角重新审视消息传递范式后，图机器学习社区转向对消息传递权益与局限性的更深入且务实的理解。本文注意到，关于过平滑与过压缩、 homophily-异质性二分法，以及长程任务等话题的快速进展，伴随着对这些常见信念与假设的巩固——以普遍陈述形式出现——这些信念并不总是正确的，也不易彼此区分。我们认为，这导致对所调查问题的模糊化，阻碍了研究者聚焦并解决精确问题的能力，造成相当大的误解。我们的贡献在于明确这些常见信念，鼓励对这些话题进行批判性思考，通过简单且形式上充分的反例驳斥普遍主张。最终目标是澄清概念差异，帮助研究者更清晰地定义和针对性地解决问题。