图上深度多速率学习的梯度门控

我们提出了一种名为梯度门控（Gradient Gating，简称 G$^2$）的新框架，用于提升图神经网络（Graph Neural Networks, GNNs）的性能。该框架通过引入一种多速率消息传递信息流机制，对GNN层的输出进行门控，从而实现对节点间信息传递过程的精细调控。同时，利用局部梯度进一步调制消息传递的更新过程。G$^2$框架具有高度灵活性，可将任意基础GNN层作为核心组件，并在其外围构建多速率梯度门控机制。我们严格证明了G$^2$能够缓解过度平滑（oversmoothing）问题，从而支持深度GNN的构造与训练。实验结果表明，该框架在多种图学习任务上均取得了当前最优的性能表现，尤其在大规模异质性图（heterophilic graphs）上展现出显著优势。