摘要
图神经网络（GNN）领域普遍认为，为了实现最先进性能，必须采用各向异性模型——即节点间传递的消息依赖于源节点和目标节点的联合信息。迄今为止的基准测试表明，这类各向异性模型在性能上优于相应的各向同性模型（即消息仅依赖于源节点）。然而，在本研究中，我们提供了实证证据，对这一主流观点提出了挑战：我们提出了一种各向同性图神经网络——高效图卷积（Efficient Graph Convolution, EGC），该模型通过使用空间可变的自适应滤波器，在多项任务中持续优于现有的各向异性模型，包括广受关注的GAT和PNA架构。本研究不仅对GNN社区提出了若干重要问题，更具有显著的实际应用价值。EGC在保持更高模型准确率的同时，实现了更低的内存占用和延迟，且其结构特性非常适合硬件加速器部署，同时可作为现有架构的即插即用替代方案。作为一款各向同性模型，其内存需求与图中顶点数量成正比（$\mathcal{O}(V)$）；而各向异性模型则需要与边数成正比的内存开销（$\mathcal{O}(E)$）。我们在六个大规模且多样化的基准数据集上验证了EGC的优越性能。最后，我们探讨了本工作对未来GNN研究方向带来的启发性问题。本文实验所用代码及预训练模型已开源，详见：https://github.com/shyam196/egc。