重新审视图神经网络：我们拥有的只是低通滤波器

图神经网络已成为解决图结构数据上机器学习问题最重要的技术之一。近期关于顶点分类的工作提出了深度和分布式学习模型，以实现高性能和可扩展性。然而，我们发现基准数据集的特征向量对于分类任务已经颇具信息量，而图结构仅提供了一种对数据去噪的手段。在本文中，我们基于图信号处理开发了一个用于分析图神经网络的理论框架。我们的结果表明，图神经网络仅对特征向量执行低通滤波，并不具备非线性流形学习特性。我们进一步研究了它们对特征噪声的鲁棒性，并提出了一些基于 GCN 的图神经网络设计的见解。