摘要
图神经网络（Graph Neural Networks, GNNs）在同质性图数据上表现出色，但在处理非同质性图数据时性能显著下降，这主要归因于GNN固有的低通滤波特性。通常情况下，现实世界中的图结构往往是多种子图模式的复杂混合体，而当前大多数方法从全局视角学习统一的谱滤波器，难以有效适应局部模式的多样性变化。基于对局部模式的理论分析，本文重新审视了现有的谱滤波方法，提出了一种面向节点的谱滤波机制——节点导向谱滤波图神经网络（Node-oriented Spectral Filtering for Graph Neural Networks, 简称 NFGNN）。该方法通过为每个节点独立估计其对应的节点导向谱滤波器，结合广义平移算子，赋予模型精确的局部节点定位能力，从而自适应地识别局部同质性模式的差异。同时，通过引入重参数化技术，NFGNN在全局一致性与局部敏感性之间实现了良好平衡，有效提升了节点导向谱滤波器的学习能力。此外，本文从理论上分析了NFGNN的局部化特性，证明经过自适应滤波后的信号仍集中于对应节点附近。大量实验结果表明，所提出的NFGNN在多种图数据集上均取得了更优的性能表现。