摘要

流行的图神经网络基于多项式谱滤波器在图上实现卷积操作。本文提出了一种受自回归移动平均（ARMA）滤波器启发的新型图卷积层，与多项式滤波器相比，该层提供了更加灵活的频率响应，对噪声具有更强的鲁棒性，并且更好地捕捉了全局图结构。我们提出了一个递归和分布式的ARMA滤波器图神经网络实现方法，从而获得了一个训练高效、节点空间局部化且能够在测试时迁移到新图的卷积层。我们进行了谱分析以研究所提出的ARMA层的滤波效果，并报告了四个下游任务的实验结果：半监督节点分类、图信号分类、图分类和图回归。结果显示，所提出的ARMA层在基于多项式滤波器的图神经网络上带来了显著的改进。