摘要
我们解决了图神经网络（GNNs）中的两个基本挑战：(1) 不变性学习缺乏理论支持，这是图像处理中一个关键属性；(2) 缺乏一种能够在同质性和异质性图数据集上均表现出色的统一模型。为了解决这些问题，我们建立了图中的尺度不变性，并通过实验证明了这一重要性质在图学习中的适用性。利用有向多尺度图和自适应自环策略，我们提出了 ScaleNet，这是一种统一的网络架构，在四个同质性和两个异质性基准数据集上均达到了最先进的性能。此外，我们展示了基于尺度不变性的图变换可以替代计算成本高昂的边权重，同时保持或提高性能。对于另一种流行的 GNN 处理有向图的方法，我们证明了 Hermitian Laplacian 方法与使用关联矩阵归一化的 GraphSAGE 之间的等价性。ScaleNet 桥接了同质性和异质性图学习之间的差距，不仅提供了关于尺度不变性的理论见解，还在统一图学习方面取得了实际进展。我们的实现代码已公开发布在 https://github.com/Qin87/ScaleNet/tree/Aug23。