要約
グラフ畳み込みネットワーク（GCNs）は、積み重ねられた畳み込み層を使用してメッセージ伝播パラダイムを実現する方法であり、グラフ表現の学習における基本的な手法です。最近のGCNモデルでは、過平滑化や勾配消失などのモデル劣化問題を軽減するために、さまざまな残差接続技術が使用されています。しかし、既存の残差接続技術は、グラフスペクトル領域での基礎となるグラフ構造を十分に活用できていないため、異質的なグラフで満足できる結果を得ることが困難となっています。本論文では、ClenshawGCNというGNNモデルを提案します。このモデルはClenshaw加算アルゴリズムを用いてGCNモデルの表現力を向上させます。ClenshawGCNは標準的なGCNモデルに2つの単純な残差モジュールを装備しています：適応的な初期残差接続と負の二次残差接続です。これらの2つの残差モジュールを追加することで、ClenshawGCNはChebyshev基底下で多項式フィルターを暗黙的にシミュレートし、多項式スペクトルGNNと同等以上の表現力を得ることができます。さらに、包括的な実験を通じて、当社のモデルが空間的およびスペクトルGNNモデルに対して優れていることを示しています。