通用深度图神经网络：从路径分解视角重新思考图神经网络中的残差连接以防止过平滑

由于过平滑（over-smoothing）问题，随着深度增加，图神经网络（GNNs）的性能会逐渐下降。在多种缓解过平滑的尝试中，残差连接（residual connection）因其结构简单而成为一种颇具前景的方法。然而，近期研究表明，仅采用残差连接的GNNs仅能略微延缓性能退化。目前，残差连接在GNN中失效的根本原因仍不明确。本文从一种新颖的路径分解视角，系统研究了带有残差连接的GNN在前向传播与反向传播中的行为。我们发现，残差连接路径遵循二项分布，其递归聚合的中位长度路径主导了输出表示，导致GNN随着深度增加而产生过平滑现象。同时，信息传播的纠缠特性以及权重矩阵的结构共同引发梯度平滑，阻碍了带有残差连接的GNN优化至恒等映射（identity mapping）。基于上述发现，我们提出一种通用的深度GNN框架——通用深度图神经网络（Universal Deep GNNs, UDGNN），其核心包含冷启动自适应残差连接机制（DRIVE）与前馈模块。大量实验结果表明，该方法具有显著有效性：仅通过堆叠标准GNN结构，即可在非同质性（heterophily）数据集上实现当前最优性能，显著提升了深度GNN在复杂图结构上的表达能力与稳定性。