摘要

图神经网络（Graph Neural Networks, GNNs）已成为多种应用领域的热门方法，涵盖社交网络分析到分子化学性质建模等多个方面。尽管GNN在公开数据集上通常表现出色，但由于存在过平滑（over-smoothing）和过挤压（over-squashing）等问题，其在学习数据中的长程依赖关系方面仍面临挑战。为缓解这一问题，我们提出PCAPass方法，该方法结合主成分分析（Principal Component Analysis, PCA）与消息传递机制，在无监督条件下生成节点嵌入，并利用梯度提升决策树（gradient boosted decision trees）完成分类任务。实验结果表明，该方法在节点分类基准测试中表现与主流GNN方法相当，同时能够有效获取更远距离邻域的信息。本研究证实，将维度压缩与消息传递机制及跳跃连接相结合，是一种在图结构数据中聚合长程依赖关系的有前景的策略。