图神经网络输出几乎肯定是渐近常数
内容提要
本文研究了图神经网络（GNNs）的表达能力、可扩展性和泛化能力，提出了一种基于权值归一化的方法和灵活的框架，以增强其在真实数据下的性能。通过分析拓扑结构变化和不同图分布，提出了减轻过拟合的理论解释和方法，并揭示了GNN性能提升的来源。
延伸解读
GNN 性能提升的根源：泛化而非表达力
文章通过引入中间模型 PMLP 发现，GNN 的性能提升主要源于其泛化能力，而非增强的表达力。PMLP 在表现上与 GNN 相当，但训练效率更高。这一发现挑战了传统认为 GNN 优势来自更强表达力的观点，提示研究者和实践者应更关注模型的泛化机制，而非单纯增加模型复杂度。
权值归一化：提升真实数据下 GCN 性能的实用方法
文章提出了一种基于权值归一化的方法，用于增强真实数据下 GCN 的性能。该方法与底层图的拓扑信息相关，通过分析 GCN 在无穷大层神经元情况下的渐进行为，揭示了其表达能力与图拓扑的联系。这为在实际应用中改进 GCN 提供了一种简单而有效的技术手段。
过拟合图结构的理论解释与图编辑缓解方法
文章指出图神经网络普遍存在过拟合图结构的现象，即模型可能过度依赖图中应被忽略的结构信息。通过分析不同图分布，文章提出了一种理论解释和图编辑方法，以减轻这种过拟合，并在多个基准测试中验证了其有效性。这为提升 GNN 的鲁棒性提供了新思路。
拓扑变化下的稳定性与判别力：积分 Lipschitz 过滤器的作用
文章研究了拓扑结构变化对 GNN 输出的影响，证明使用积分 Lipschitz 过滤器的图卷积与非线性混合效应结合，可实现稳定性和高频信息的判别力。这解释了 GNN 卓越性能的原因，并强调了在设计图卷积时平衡稳定性和判别力的重要性。
Q&A
图神经网络的表达能力与什么相关？
图神经网络的表达能力与底层图的拓扑信息相关。
如何增强图神经网络在真实数据下的性能？
可以通过一种基于权值归一化的方法来增强图神经网络在真实数据下的性能。
图神经网络的可扩展性和推广性如何提高？
通过提出灵活的GNNs框架和多种节点更新函数，可以提高图神经网络的可扩展性和推广性。
拓扑结构变化对图神经网络输出有什么影响？
拓扑结构变化会影响图神经网络的输出，使用积分Lipschitz过滤器的图卷积可以实现稳定性和高频信息的判别力。
如何减轻图神经网络的过拟合问题？
可以通过理论解释和图编辑方法来减轻图神经网络对过拟合图结构的影响。
中间模型PMLP在图神经网络中的作用是什么？
中间模型PMLP揭示了GNN性能提升主要源于其泛化能力，而非增强表现力，同时训练效率更高。
