6、全局视角下的图神经网络：GSM - GNN框架提升性能

全局视角下的图神经网络：GSM - GNN框架提升性能

一、引言

在过去几年里，图神经网络（GNNs）在处理图结构数据方面取得了巨大成功，广泛应用于社交网络等领域。GNNs通常采用消息传递机制，通过聚合节点的邻域表示来丰富节点自身的表示，所学习到的表示能够捕捉局部拓扑信息和节点属性，这对各种任务都有益处。

然而，目前大多数GNN模型只能帮助节点聚合局部邻域的信息，存在一定的局限性。一方面，长距离或全局信息有助于学习更好的表示。例如，两个结构相似的节点可能相距很远，但彼此具有很强的预测能力。另一方面，在节点分类任务中，图上的节点往往只有部分被标记，标记节点通常只能将其标签信息传播到局部邻域，这可能导致距离标记节点较远的节点被错误分类。

虽然已经有一些工作尝试从更广泛的范围聚合节点信息以提高GNN的表达能力，但这些方法无法明确区分大量远距离邻域中的相关节点，还会导致过平滑问题。因此，如何捕捉全局信息仍需进一步研究。

在现实世界的图中，每个类别通常都有一些代表性的自我图（ego - graph），这些自我图包含一个中心节点及其邻居以及它们之间的边关系，有助于提供图中每个类别的全局信息。提取和使用这些全局代表性自我图对于提高GNN模型的性能至关重要，但目前相关工作较为有限。

为了解决这些问题，本文提出了一种新的框架——图结构记忆增强图神经网络（GSM - GNN）。该框架自适应地结合局部和全局信息，以增强GNN的性能。其主要贡献包括：
1. 研究了利用图中的全局模式来改进基于局部聚合的GNN性能的问题。
2. 开发了一种新的框架，将全局信息融入现有的GNN中，通过记忆机制学习和传播全局特征和结构信息，丰富节点的表示。