摘要
图神经网络（GNNs）近年来受到了越来越多的关注，部分原因是它们在许多节点和图分类任务中表现出色。然而，对于这些网络所学习的内容以及所学图函数的复杂程度，目前还缺乏深入的理解。在这项工作中，我们提出将图分类中的GNNs分解为两个部分：1）图滤波，其中进行基于图的邻居聚合；2）集合函数，其中将一组隐藏节点特征组合用于预测。为了研究这两个部分的重要性，我们分别对它们进行了线性化处理。首先，我们将图滤波函数线性化，得到了图特征网络（GFN），这是一种定义在经过图增强特征集上的简单轻量级神经网络。进一步线性化GFN的集合函数，则得到了图线性网络（GLN），即一个线性函数。我们在常见的图分类基准数据集上进行了实证评估。令人惊讶的是，尽管进行了简化处理，GFN仍能匹配或超过最近提出的GNNs的最佳准确率（计算成本仅为后者的一小部分），而GLN的表现则显著逊色。我们的结果表明了非线性集合函数的重要性，并建议使用线性图滤波与非线性集合函数相结合的方法来建模现有的图分类基准数据集是一种高效且强大的方案。