摘要

图神经网络（Graph Neural Networks, GNNs）在节点标签具有强同质性（即相连节点具有相同标签）的图结构上表现出色，但在异质性图（heterophilic graphs）上性能显著下降。尽管近期研究通过改进聚合机制、设计自适应图滤波器等方法试图缓解这一问题，但其在异质性图上的表现仍不理想。本文提出一种简洁有效的替代方法，该方法利用图的拓扑结构与节点特征的截断奇异值分解（Truncated Singular Value Decomposition, TSVD），充分挖掘图数据的低秩结构特性。实验结果表明，该方法在异质性图上相较当前最先进方法可实现高达约30%的性能提升。本工作为突破传统基于聚合的图神经网络范式提供了初步探索，实验结果也暗示：在异质性图场景下，探索非聚合类方法可能具有重要意义。