摘要
图神经网络（Graph Neural Networks, GNNs）是深度学习领域中最受关注的研究方向之一。现有的GNN方法通常基于图信号处理（Graph Signal Processing, GSP）理论进行设计，其中扩散方程被广泛用于构建GNN的核心信息聚合层。然而，由于其固有的特性，这类方法不可避免地面临著名的过平滑（oversmoothing）问题。近年来，已有少数研究开始关注扩散方程与反应方程的联合建模，但这些工作均局限于反应方程的有限形式。为此，本文提出一种基于反应-扩散方程的GNN方法——GREAD，该方法不仅涵盖了所有主流类型的反应方程，还引入了一种由我们设计的特殊反应方程。据我们所知，本工作是目前对基于反应-扩散方程的GNN研究最为全面的系统性探索之一。在9个真实数据集和28个基线方法的实验中，GREAD在多数情况下均取得了优于现有方法的性能表现。进一步的合成数据实验表明，该方法有效缓解了过平滑问题，并在不同同质性（homophily）水平下均表现出良好的鲁棒性与泛化能力。