连续几何感知图扩散：超几何神经偏微分方程
内容提要
本文介绍了连续深度图神经网络（GNN）及其与图神经常微分方程（GDEs）的关系，证明了其在静态和动态设置中的计算优势。提出了动态高斯图算子（DGGO）和图差分方程网络（GDeNet）等新模型，并展示了它们在解决偏微分方程（PDE）和图学习任务中的优越性能，实验验证了这些模型在真实数据集上的有效性。
延伸解读
连续深度GNN的计算优势
文章指出，图神经常微分方程（GDEs）在静态设置中通过在前向传递中纳入数值方法，提供了计算优势；在动态设置中，则通过利用潜在动态的几何结构提升性能。这表明连续深度模型不仅兼容多种静态和自回归GNN，还能在计算效率和表达能力之间取得平衡，为图神经网络的设计提供了新思路。
DGGO与GDeNet的定位差异
动态高斯图算子（DGGO）专注于学习参数偏微分方程，旨在解决复杂计算域上的通用性问题；而图差分方程网络（GDeNet）则利用图上偏微分方程解的表达能力，获得连续节点和图层次的表示。两者都借助PDE框架，但DGGO偏向算子学习，GDeNet侧重表示学习，适用于不同的下游任务。
缓解过度平滑与异质性建模
文章提到，新的图神经网络模型利用两个一阶偏微分方程，在不增加复杂度的情况下有效缓解了过度平滑问题，并在最多64层中取得与高阶PDE模型可比较的结果。此外，基于卷积扩散方程的模型能建模节点信息流，考虑异质性和同质性对信息的影响，在异质图节点分类任务上取得竞争性性能。
多级框架与线性复杂度
通过构建多级图神经网络框架，文章提出了一种统一GNN和多分辨率矩阵核分解的方法，能够处理所有范围的相互作用并具有线性复杂度。实验证明，这种多图网络可以学习离散化不变的PDE解算符，并在线性时间内进行评估，为解决数据格式与神经网络结构不匹配的挑战提供了有效途径。
Q&A
什么是动态高斯图算子（DGGO）？
动态高斯图算子（DGGO）是一种新型算子学习算法，用于学习参数偏微分方程（PDEs），旨在解决复杂计算域上的通用性问题。
图差分方程网络（GDeNet）有什么优势？
图差分方程网络（GDeNet）通过利用图上的偏微分方程解的表达能力，能够获得连续节点和图层次的表示，并在真实数据集上表现卓越。
如何利用偏微分方程改善神经网络的泛化性能？
通过扩散每个样本以覆盖语义相似的输入分布，利用偏微分方程可以改善神经网络的泛化性能。
连续深度图神经网络与图神经常微分方程的关系是什么？
连续深度图神经网络框架将图神经常微分方程（GDEs）形式化为GNN的对应物，二者在输入输出关系上相互关联。
新模型如何解决图学习中的深度和瓶颈问题？
新模型采用时空算子离散化，解决了图学习模型中的深度、平滑过渡和瓶颈等问题。
卷积扩散方程（CDE）在节点信息流建模中有什么作用？
卷积扩散方程（CDE）用于建模节点上的信息流，考虑异质性和同质性对信息的影响，取得竞争性性能。
