如何通过通用多项式基加强光谱图神经网络：异质性、过度平滑和过度压缩
内容提要
本文提出了一种新型自适应多项式滤波器UniFilter，结合异质性和同质性，优化了图分析性能。研究了图异质性对图神经网络的影响，并提出了多种新模型和学习框架，显著提升了同构和异构图的处理能力。
延伸解读
多项式基如何应对图异质性
文章指出，图异质性对图神经网络性能有显著影响。通过引入自适应异质性基础UniBasis和通用多项式滤波器UniFilter，模型能够结合异质性与同质性信息，从而在不同类型的图上实现更优的滤波。这为处理现实世界中普遍存在的异质图提供了一种新思路。
自适应Krylov子空间与最优基选择
文章提出的自适应Krylov子空间方法，通过优化多项式基，实现了对不同异质度图的自适应滤波。此外，FavardGNN和OptBasisGNN分别从所有可能规范正交基中学习多项式基，以及针对给定图结构和信号计算最优基，这些方法提升了谱图神经网络对复杂图特征的捕捉能力。
低频与高频滤波器的异质性关联
研究发现，低频滤波器与同质程度呈正相关，而高频滤波器呈负相关。基于此，文章引入牛顿插值的形状感知正则化技术，使多项式频谱滤波器能与期望的同质程度对齐。这一发现有助于理解滤波器设计如何影响模型在不同同质性图上的表现。
Auto-Polynomial框架与过拟合问题
针对多项式图滤波器学习中的过拟合问题，文章提出了Auto-Polynomial学习框架。该框架能更高效地学习适应复杂图信号的滤波器，并在多种标记比率下显著提升同构和异构图的性能。这为实际应用中数据标注有限的情况提供了解决方案。
Q&A
UniFilter是什么，它的主要功能是什么？
UniFilter是一种新的通用多项式滤波器，结合了异质性和同质性，优化了图分析性能。
FavardGNN和OptBasisGNN模型有什么不同？
FavardGNN模型从所有可能的规范正交基中学习多项式基，而OptBasisGNN模型则针对特定图结构和信号计算最优基。
如何解决多项式图滤波器学习中的过拟合问题？
通过提出Auto-Polynomial学习框架，可以更高效地学习适应各种复杂图信号的滤波器，从而解决过拟合问题。
图异质性对图神经网络性能的影响是什么？
图异质性会影响图神经网络的性能，研究提出了GPatcher模型来改善节点分类任务的表现。
牛顿插值技术在图神经网络中有什么应用？
牛顿插值技术用于对齐多项式频谱滤波器与期望的同质程度，从而改善滤波器的性能。
LON-GNN模型的优势是什么？
LON-GNN模型基于Jacobi多项式，具有优于现有模型的拟合能力和泛化能力。
