摘要

图卷积是大多数图神经网络（GNNs）的核心组件，通常通过节点与其直接邻接（一跳）邻居之间的消息传递机制进行近似。在本工作中，我们通过引入一种强大且空间局部化的图卷积方法——图扩散卷积（Graph Diffusion Convolution, GDC），打破了仅依赖直接邻居的限制。GDC利用广义图扩散过程，例如热核（heat kernel）和个性化PageRank（personalized PageRank）等，有效缓解了真实图中噪声较多且常被任意定义的边所带来的问题。我们证明，GDC与基于谱方法的模型密切相关，因而能够融合空间域（消息传递）方法与谱方法的优势。实验表明，无论是在监督学习还是无监督学习任务中，将消息传递机制替换为图扩散卷积，均能在多种模型和不同数据集上带来一致且显著的性能提升。此外，GDC不仅适用于GNNs，还可轻松集成到任何基于图的模型或算法（如谱聚类）中，无需对原有方法进行修改，也不会增加其计算复杂度。本文的实现代码已公开发布。