Au-delà des informations à basse fréquence dans les réseaux de convolution graphique

Les réseaux neuronaux graphiques (GNNs) ont fait leurs preuves dans diverses tâches liées aux réseaux. La plupart des GNNs existants exploitent généralement les signaux de basse fréquence des caractéristiques nodales, ce qui soulève une question fondamentale : la basse fréquence est-elle la seule information dont nous avons besoin pour les applications du monde réel ? Dans cet article, nous présentons d'abord une enquête expérimentale évaluant les rôles des signaux de basse et haute fréquence, où les résultats montrent clairement que l'exploration exclusive des signaux de basse fréquence s'éloigne de l'apprentissage d'une représentation efficace des nœuds dans différents scénarios. Comment pouvons-nous apprendre de manière adaptative plus d'informations au-delà des informations de basse fréquence dans les GNNs ? Une réponse bien informée peut aider les GNNs à améliorer leur adaptabilité. Nous relevons ce défi et proposons un nouveau modèle de réseaux neuronaux graphiques à adaptation de fréquence (FAGCN) doté d'un mécanisme d'autogating, capable d'intégrer de manière adaptative différents signaux lors du processus de passage de messages. Pour une compréhension plus approfondie, nous analysons théoriquement les rôles des signaux de basse et haute fréquence dans l'apprentissage des représentations nodales, ce qui explique davantage pourquoi le FAGCN peut bien performer sur différents types de réseaux. Des expériences approfondies menées sur six réseaux du monde réel valident que le FAGCN non seulement atténue le problème d'oversmoothing, mais présente également des avantages par rapport aux méthodes actuelles les plus avancées.