图卷积网络的有效性：关于标签稀缺与结构属性的诊断性研究

图卷积网络（Graph Convolutional Networks, GCNs）已成为半监督节点分类的标准方法，但实践者缺乏明确的指导，以了解GCNs在简单基线方法之外提供有意义改进的条件。我们采用Amazon Computers共购数据进行诊断性研究，以了解GCNs何时以及为何有帮助。通过对标签稀缺、特征消除和逐类别分析进行系统实验，我们发现GCNs的性能严重依赖于图同质性和特征质量之间的相互作用。在标签稀缺极端情况下，GCNs能够通过利用邻域结构来弥补监督信息的不足。意外地，我们发现即使将节点特征替换为随机噪声，GCNs也能匹配其原始性能，这表明在高度同质性图上，结构本身携带了足够的信号。然而，在同质性较低且特征已很强的情况下，GCNs会损害性能，因为噪声的邻居会破坏良好的预测。我们的象限分析显示，GCNs在四个条件中的三个情况下有帮助，仅在低同质性遇及强特征时会造成损害。这些发现为实践者提供了在图基方法方面做出决定的实用指导。