要約
グラフニューラルネットワーク（GNN）は、様々なネットワーク関連のタスクにおいて効果的であることが証明されています。既存の多くのGNNは通常、ノード特徴の低周波信号を活用しており、これにより実世界アプリケーションにおいて低周波情報だけが十分かどうかという基本的な疑問が生じます。本論文では、まず低周波信号と高周波信号の役割を評価するための実験的調査を提示します。その結果は明確に示しており、異なるシナリオにおいて低周波信号のみを探索することは効果的なノード表現を学習するのに遠いことを示しています。どのようにしてGNNで低周波情報以外の情報を適応的に学習できるのでしょうか？この問いに対する適切な回答は、GNNの適応性を向上させるのに役立ちます。私たちはこの課題に取り組み、自己ゲーティング機構を持つ新しい周波数適応型グラフ畳み込みネットワーク（FAGCN）を提案します。これはメッセージ伝播プロセスで異なる信号を適応的に統合することができます。より深い理解のために、理論的に低周波信号と高周波信号がノード表現学習における役割について分析し、FAGCNが異なるタイプのネットワークで良好な性能を発揮する理由をさらに説明します。6つの実世界ネットワークでの広範な実験により、FAGCNが過平滑化問題を緩和するとともに、最先端技術よりも優れていることが確認されました。