基于图回声状态网络的异质性超越

图回声状态网络（Graph Echo State Networks, GESN）已在图分类任务中展现出优异的性能与效率。然而，在半监督节点分类任务中，端到端训练的深度模型暴露出过平滑（over-smoothing）问题，导致模型对高同质性（high homophily）图结构产生偏差。本文首次在不同同质性程度的节点分类任务上评估了GESN的性能，并进一步分析了储备池半径（reservoir radius）的影响。实验结果表明，相较于需通过架构偏差进行特定调整的全训练深度模型，储备池模型在保持相当或更优准确率的同时，显著提升了计算效率。