摘要

现有的图卷积定义，无论是从空间角度还是频谱角度，都存在灵活性不足且不统一的问题。在图域中定义一个通用的卷积算子具有挑战性，原因在于缺乏规范坐标、存在不规则结构以及图对称性的特性。在这项工作中，我们提出了一种新颖且通用的图卷积框架，通过将核参数化为由图位置编码导出的伪坐标的连续函数来实现。我们将这种方法命名为连续核图卷积（CKGConv）。理论上，我们证明了CKGConv具有灵活性和表达能力。CKGConv涵盖了多种现有的图卷积方法，并表现出更强的表达能力，在区分非同构图方面与图变换器一样强大。实证上，我们展示了基于CKGConv的网络在各种图数据集上的性能优于现有的图卷积网络，并与最佳的图变换器相当。代码和模型已在https://github.com/networkslab/CKGConv 公开发布。