摘要

图神经网络（GNN）中最为关键的操作之一是聚合操作，其目标是从目标节点的邻居中提取信息。目前已提出多种卷积方法，包括标准图卷积（GCN）、图注意力机制（GAT）以及消息传递网络（MPNN）。在本研究中，我们提出一种名为多掩码聚合器（Multi-Mask Aggregators, MMA）的新型聚合方法，该方法在收集邻居信息前，让模型自动学习每个聚合器对应的加权掩码。MMA在思想上与GAT和MPNN具有相似之处，但具备一定的理论与实践优势。直观上，该框架不受GAT中头数（heads）数量的限制，且相较于MPNN具有更强的区分能力。我们在多个广泛使用的基准数据集上，将MMA在节点分类与图回归任务中的性能与多种经典基线方法进行了对比，结果表明MMA显著提升了模型表现。相关数据集与代码已开源，地址为：https://github.com/asarigun/mma。