图拓扑上的特征分布调节图卷积的效果：同质性透视
内容提要
本文综述图神经网络研究进展，提出CAGNN框架应对异质问题并提升GIN、GAT、GCN准确率；探讨拓扑变化、特征学习及表达能力局限，提出随机特征方法；用节点级异质性度量替代全局同质性系数；揭示图卷积与Mixup的等价关系；从图信号处理角度分析滤波器性质；提出ACM框架自适应利用聚合、多样化与恒等通道，在多项节点分类任务中显著提升性能。
延伸解读
异质性问题与CAGNN框架
文章指出GNN存在异质性问题，即跨类别邻居的特征聚合可能损害性能。为此提出的CAGNN框架在节点分类任务中，将GIN、GAT和GCN的平均预测准确率分别提升了9.81%、25.81%和20.61%。这表明针对异质性的专门设计能显著改善模型效果，但提升幅度因基础模型而异，实际应用中需结合具体模型评估。
节点级异质性度量与ACM框架
传统全局同质性系数难以刻画节点混合模式，文章提出用节点级异质性度量替代，并设计自适应选择结构与接近度信息的模型。进一步，ACM框架通过自适应利用聚合、多样化和恒等通道，在10项基准节点分类任务中持续提升性能，且不带来显著计算负担。这提示处理异质性需更细粒度的度量与灵活的信息通道选择。
图卷积与Mixup的等价关系
文章揭示图卷积可视为一种特殊形式的Mixup，需满足两个条件：同质重标签（将目标节点标签分配给所有邻居）和测试时间Mixup（在测试阶段混合特征）。数学建模证明GCN和SGC可表示为Mixup形式，且用这两个条件训练MLP能达到可比性能。这一等价性为理解图卷积的正则化效应提供了新视角。
表达能力局限与随机特征方法
文章指出GNN表达能力存在局限，并提出为每个节点添加随机特征，使GNN能学习最优多项式时间近似算法，且易于与其他模型结合。实验证明加入随机特征的GNN可解决传统GNN无法解决的问题。这为突破GNN表达能力瓶颈提供了简单而有效的思路，但需注意随机特征可能引入方差，实际应用需权衡。
Q&A
CAGNN框架主要解决图神经网络中的什么问题？
CAGNN框架主要解决图神经网络中的异质问题，通过研究跨类别邻居的特征聚合来提高节点分类任务的性能。
CAGNN框架在哪些模型上提升了准确率？提升幅度是多少？
CAGNN框架分别提高了GIN、GAT和GCN的平均预测准确率9.81%、25.81%和20.61%。
如何解决图神经网络表达能力有限的问题？
可以为每个节点添加随机特征，这样GNN就能学习一些最优多项式时间近似算法，并且该方法方便与其他GNN模型结合使用。
图卷积和Mixup技术之间有什么关系？
研究发现，在满足同质重标签和测试时间Mixup两个条件的基础上，图卷积可以被视为一种在训练和测试阶段都应用的特殊形式的Mixup。
ACM框架是如何处理异质性的？
ACM框架通过自适应地利用聚合、多样性和恒等通道，从多样化的节点异质性情况中提取更丰富的局部信息，从而解决有害异质性问题。
ACM框架在节点分类任务上的表现如何？
经过10项基准节点分类任务的评估，ACM-augmented基线始终实现了显著的性能提升，超过大多数任务上的最新GNN，而不会带来显著的计算负担。
