我实验室一篇论文 “DCGNN: Adaptive Deep Graph Convolution for Heterophily Graphs” 被信息科学领域期刊 Information Sciences（CCF B，中科院 1 区）接收！
论文简介：图神经网络（GNN）通过利用节点特征和图拓扑，在解决图学习任务方面表现出了显著的功效。流行的GNN架构通常隐式或显式地依赖于同构性假设，该假设假定相邻节点倾向于共享相似的特征。尽管此类工作具有功效，但其可能不足以对以异质性为特征的图进行建模，其中具有不同标签的节点经常相互连接。为了减轻这一限制，我们提出了DCGNN，这是一种新的GNN框架，能够适应异质性，同时在同构性场景中保持有效性。首先，我们阐明了主流的信息传递神经网络（MPNN）难以辨别环形子结构，这在显示出异质性的图中很普遍。因此，我们提出了一种自适应深度图卷积技术，该技术集成了局部高阶邻域的自适应聚合，取代了消息传递范式中传统的单阶卷积层堆叠。理论分析证实，与现有的MPNN相比，DCGNN表现出显著增强的表达能力。在真实世界数据集上进行的经验评估验证了DCGNN优于为表现出异质性的图量身定制的几种最先进的GNN。
该项工作是由我梯队邬杨博士（第一作者）、胡俊成讲师（通讯作者）等人联合完成的。