摘要
图神经网络（GNNs）在图结构数据的表示能力方面取得了显著的提升。尽管GNNs近年来取得了成功，但大多数GNN中的图卷积仍存在两个局限性。由于图卷积是在输入图的小局部邻域内进行的，因此本质上无法捕捉远距离节点之间的长程依赖关系。此外，当一个节点的邻居属于不同的类别时，即异质性（heterophily），从这些邻居聚合的消息通常会对表示学习产生负面影响。为了解决图卷积中的这两个常见问题，本文提出了一种可变形图卷积网络（Deformable GCNs），该网络能够在多个潜在空间中自适应地进行卷积，并捕捉节点之间的短程和长程依赖关系。我们的框架独立于节点表示（特征），同时以端到端的方式学习节点的位置嵌入（坐标），以确定节点之间的关系。根据节点位置，卷积核通过变形向量进行变形，并对其邻居节点应用不同的变换。我们广泛的实验表明，可变形GCNs能够灵活处理异质性，并在六个异质性图数据集上的节点分类任务中取得了最佳性能。