情境化信息强化图表示
内容提要
本研究探讨了图神经网络（GNN）的局限性，提出了信息传递的泛化界限和新的几何聚合方案Geom-GCN，实验结果显示其在多个数据集上表现优异。此外，研究了不同GNN模型的节点表示，提出了基于层次消息传递的框架，以提升长程信息访问效率。同时，提出了GOAT算法和Deformable GCNs，分别在节点表示和异构图分类中取得最佳性能。
延伸解读
理论边界与几何聚合的突破
文章指出GNN仅靠局部信息难以计算重要图特征，并提出了首个数据相关的泛化界限，该界限比基于VC维的保证更紧，与RNN的Rademacher界限相当。同时，Geom-GCN通过节点嵌入、结构化邻域和双层聚合三个模块，在多个数据集上达到最佳性能，为GNN的局限性提供了理论解释和实用改进方案。
节点表示的本质与长程信息挑战
研究发现，在没有节点属性时，部分GNN模型将所有节点嵌入同一向量，另一些则生成与行走次数相关的表示，导致结构不相似的节点可能因行走次数相同而表示相似。为高效访问长程信息，层次消息传递框架通过生成层次结构和社区检测，在节点分类等任务中优于现有模型。
异构图与结构感知的新方法
针对异构图，Deformable GCNs能在多个潜在空间自适应卷积，捕获短/长距离依赖，在六个异质图数据集上取得最佳节点分类性能。GOAT算法则利用gossip通信和互注意力，仅凭图结构提取上下文敏感表示，在链接预测和节点聚类上相对最佳基线分别提升12%和19%。
图意义表达在自然语言理解中的细致影响
DAGNN-plus将上下文表示学习与结构信息传播解耦，实验显示GMRs在四个数据集中三个有改进，英文比中文更受益于高准确解析器，且在文学领域数据集上效果较低。这提示GMRs和解析器的设计需考虑语言和领域差异，以提升关系分类性能。
Q&A
图神经网络的局限性是什么？
图神经网络无法仅依靠局部信息计算多个重要的图形特征。
Geom-GCN的主要特点是什么？
Geom-GCN是一种新的几何聚合方案，包含节点嵌入、结构化邻域和双层聚合，实验结果显示其在多个数据集上表现优异。
GOAT算法的优势是什么？
GOAT算法通过图的结构提取高质量的上下文敏感节点表示，表现优于其他方法，尤其在链接预测和节点聚类方面。
Deformable GCNs的功能是什么？
Deformable GCNs能够在多个潜在空间适应性地执行卷积操作，处理异构性并实现最佳性能。
如何提升长程信息访问效率？
通过提出基于层次消息传递的框架，可以有效提升长程信息访问效率。
不同GNN模型的节点表示有什么区别？
不同GNN模型在没有节点属性的情况下，学习的节点表示中编码的图属性不同，有些模型将所有节点嵌入同一特征向量，而其他模型则与行走次数有关。
