摘要

当前最先进的图神经网络（GNNs）在图规模和模型深度方面均面临显著的可扩展性瓶颈。在大规模图上，增加模型深度通常会导致感受野（receptive field）呈指数级扩张。当网络层数超过几层后，会面临两个根本性挑战：其一，由于过度平滑（oversmoothing）导致模型表达能力下降；其二，由于邻域爆炸（neighborhood explosion）引发计算成本急剧上升。为此，我们提出一种新型设计原则，旨在解耦GNN的深度与感受野范围——针对目标实体（如节点或边）生成表示时，首先提取一个局部子图作为受限大小的感受野，随后在该子图上应用任意深度的GNN进行建模。通过合理提取的子图，仅包含少量关键邻居，同时剔除无关节点，从而有效控制信息传播范围。无论GNN深度如何，其作用均局限于局部邻域，将邻域信息凝聚为富有语义的表示，而非对整个全局图进行过度平滑，导致特征退化为“白噪声”。理论上，该解耦机制从图信号处理（GCN）、函数逼近（GraphSAGE）以及拓扑学习（GIN）三个视角均显著提升了GNN的表达能力。实验上，在七个大规模图（节点数高达1.1亿）和六种主流GNN骨干架构上，该设计在实现显著精度提升的同时，将计算开销和硬件资源消耗降低了一个数量级甚至更多。