摘要

通过利用图结构，图神经网络（Graph Neural Networks, GNN）已成为处理图数据集的一种有效模型。尽管普遍认为GNN在性能上优于传统神经网络，但近期研究发现，在某些数据集上，普通神经网络反而表现更优。异质性（heterophily）是导致GNN性能下降的主要原因之一，为此已有诸多模型被提出以应对该问题。此外，图结构中一些内在信息常被忽视，例如边的方向性。本文提出GNNDLD模型，该模型充分利用节点在不同邻域层次（按跳数划分）内的边方向信息及标签分布特征。通过融合所有网络层的特征，以同时保留节点的低通频率与高通频率成分，因为神经网络的不同层次提供不同类型的信息。此外，为避免过度平滑（oversmoothing）问题，我们分离了节点特征的聚合与变换操作。综合上述设计思想，本文提出了一种结构简单但极为高效的模型。在六个标准真实世界数据集上的实验结果表明，GNNDLD在同质性（homophily）和异质性（heterophily）场景下均显著优于当前最先进的模型。