摘要

尽管图神经网络（Graph Neural Networks）在多个领域中获得了广泛应用，但图结构输入仍面临诸多挑战，主要包括：（a）过度平滑（over-smoothing）问题，（b）噪声邻居（异质性，heterophily）问题，以及（c）“悬停停滞”（suspended animation）问题。为同时应对上述挑战，我们提出了一种新型图神经网络——FDGATII，其设计灵感源于注意力机制在聚焦关键信息方面的优势，并引入两种特征保持机制以增强模型鲁棒性。FDGATII结合了初始残差（Initial Residuals）与身份映射（Identity Mapping）策略，与更具表达能力的动态自注意力机制协同工作，有效缓解异质性数据集中邻域噪声带来的影响。通过采用稀疏动态注意力机制，FDGATII在结构设计上具备天然的并行性，同时在运行效率上表现优异，理论上可轻松扩展至任意规模的图数据。我们在7个公开数据集上对所提方法进行了全面评估。实验结果表明，FDGATII在全监督任务中显著优于基于GAT与GCN的基准模型，在Chameleon和Cornell数据集上实现了当前最优性能，且无需任何领域特定的图预处理步骤，充分展现了其卓越的通用性与公平性。