摘要
图神经网络（GNNs）已在各种网络相关任务中证明了其有效性。大多数现有的GNN通常利用节点特征的低频信号，这引发了一个基本问题：在实际应用中，低频信息是否就是我们所需要的全部信息？本文首先通过实验研究评估了低频信号和高频信号的作用，结果清楚地表明，在不同场景下，仅探索低频信号远远不足以学习有效的节点表示。如何使GNN自适应地学习超出低频信息的更多内容？一个有见地的答案可以帮助GNN增强其适应性。我们应对这一挑战，提出了一种具有自门控机制的新型频率自适应图卷积网络（FAGCN），该机制可以在消息传递过程中自适应地整合不同的信号。为了深入理解，我们从理论上分析了低频信号和高频信号在学习节点表示中的作用，进一步解释了为什么FAGCN能够在不同类型网络上表现出色。在六个真实世界网络上的广泛实验验证了FAGCN不仅缓解了过平滑问题，还在性能上优于现有最先进方法。