基于邻域聚合的图神经网络表达能力研究综述.docVIP

基于邻域聚合的图神经网络表达能力研究综述

一、邻域聚合机制的核心范式与演化脉络

图神经网络的核心设计逻辑来源于对图结构数据中节点依赖关系的建模，而邻域聚合作为其信息传递的核心模块，负责将节点自身特征与邻域节点特征进行有效融合，其机制设计直接决定了模型对复杂图模式的捕捉能力。早期邻域聚合范式可以追溯到2005年提出的递归神经网络变体，当时研究者尝试将树结构数据的递归传播思路扩展到一般图结构，但受限于循环迭代的计算复杂度和梯度消失问题，未能在大规模图数据上实现有效应用。2017年GraphConvolutionalNetwork（GCN）的提出标志着邻域聚合进入实用化阶段，其核心思想是将谱域图卷积转化为空域的一阶邻域线性聚合操作，通过对邻域节点特征进行加权平均后与自身特征拼接，再通过非线性变换生成节点嵌入，该范式因计算效率高、易扩展等优势迅速成为图神经网络的基础架构。

GCN的聚合机制本质上是固定权重的线性聚合，即每个邻域节点对中心节点的贡献权重仅由节点度数和边连接关系决定，无法根据节点特征的相关性动态调整权重。针对这一缺陷，2018年提出的GraphAttentionNetwork（GAT）引入了注意力机制，通过学习节点特征间的相似性为不同邻域节点分配动态权重，使得模型能够自适应地关注更相关的邻域信息，大幅提升了对异构图和节点关系异质场景的建模能力。同年提出的GraphSAG