人工智能学院博士后王煜的论文Enhancing Locally Adaptive Smoothing of Graph Neural Networks via Laplacian Node Disagreement 近日被CCF-A类期刊IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING（简称TKDE）接收。

TKDE是人工智能、机器学习以及数据挖掘领域顶级的学术期刊之一，CCF-A。

论文详情：

论文题目：Enhancing Locally Adaptive Smoothing of Graph Neural Networks via Laplacian Node Disagreement

论文作者：王煜、胡亮、曹晓锋、常毅、Ivor W. Tsang

论文概述：

图神经网络（Graph Neural Networks，GNNs）旨在对由图结构节点特征和拓扑信息描述的数据进行推理。从图信号去噪的角度来看，GNN的典型信息传递方案起到了全局均匀的平滑作用，以最小化相连节点嵌入之间的差异。然而，不同图区域的平滑程度应当不同，尤其是那些跨类别区域。这种偏差限制了GNN的表达能力，使其容易受到过度平滑、长程依赖和非同质设置的影响。在本文中，我们发现初始图特征的节点差异可以为节点嵌入提供更可靠的约束，从而增强GNN的局部自适应平滑。为了传播节点之间的固有差异，我们提出了拉普拉斯节点差异（Laplacian node disagreement），用于联合测量初始特征和输出嵌入。通过这种测量，我们提出了一种新的图信号去噪目标，导出了一种更有效的信息传递方案，并将其进一步结合到GNN架构中，称为基于拉普拉斯节点差异的GNN（LND-GNN）。通过学习其输出节点表示，我们将辅助的差异约束整合到整体分类损失中。实验证明了LND-GNN在下游半监督节点分类任务中具有表达能力。