摘要
基于谱图卷积算子的现有图神经网络（GNNs）因性能退化问题而受到广泛批评，这一现象在深度模型架构中尤为显著。本文进一步揭示了现有GNNs中存在的“停滞现象”（suspended animation problem）。当模型深度达到某一临界值——即停滞极限时，模型将不再对训练数据产生响应，从而丧失学习能力，陷入不可学习状态。本文将深入分析导致该停滞现象的根本原因，并同时探讨若干可能影响该问题的外围因素。为解决上述问题，本文提出了一种新型框架——GResNet（图残差网络），该框架通过构建广泛连接的“高速通道”，在模型所有层级中持续引入节点的原始特征或中间表示，实现信息的高效传递。与传统学习设置不同，图数据中固有的复杂连接结构使得现有的简单残差学习方法失效。本文从范数保持（norm preservation）的角度，理论证明了所引入的新图残差项的有效性，该机制可有效抑制相邻层之间节点表示的剧烈变化。本文还对多种现有GNN模型（包括GCN、GAT和LoopyNet）进行了GResNet框架的详细研究，并在多个真实世界基准数据集上开展了大量实证实验，充分验证了所提方法的优越性能与普适性。