摘要
图神经网络（GNNs）是用于图结构数据表示学习的神经网络，大多数GNN模型通过堆叠图卷积层构建而成。由于堆叠n层图卷积层等价于传播n跳邻域节点的信息，因此GNN需要足够多的网络层数才能学习大规模图数据。然而，随着层数增加，模型性能往往因“过平滑”（over-smoothing）问题而下降。本文提出一种新型GNN模型，该模型通过将带有门控结构的前馈神经网络与图卷积网络（GCN）相结合的方式进行堆叠，旨在解决过平滑问题，从而克服GNN在学习大规模图时的困难。实验结果表明，所提方法在不产生过平滑的前提下，预测准确率可随层数增加单调提升至20层；而传统方法在4至8层时即出现性能下降。在两个针对大规模图的实验中——包括用于归纳式节点分类的基准数据集PPI，以及有限元方法的代理模型应用——所提方法均取得了现有方法中的最高准确率，尤其在PPI数据集上达到了99.71%的先进水平，显著优于现有技术。