摘要

本文介绍了一种名为SF-GNN的新方法，用于解决深度图神经网络（GNN）中的性能退化问题。传统的GNN在处理复杂图结构时，如知识图谱，可能会遇到性能退化，表现为节点表示的质量下降。SF-GNN通过引入一个自过滤模块（SFM），评估节点表示的质量，并决定是否将其纳入消息传播过程中，从而有效地缓解了这一问题。实验结果表明，SF-GNN在节点分类和链接预测任务中均优于现有的基线方法，特别是在处理深度GNN时表现出色。

原理

SF-GNN的核心创新在于为每个节点定义了两种表示：节点表示和消息表示。节点表示代表节点的特征信息，而消息表示则专门用于向邻接节点传播信息。自过滤模块（SFM）评估节点表示的质量，并根据评估结果决定是否将其纳入到消息传播中。具体来说，SFM通过计算节点表示的质量得分，使用gumbel_softmax函数输出0或1，决定是否过滤掉低质量的节点表示。这一机制确保了只有高质量的节点表示被用于消息传播，从而提高了GNN的整体性能。

流程

SF-GNN的工作流程包括以下几个步骤：

1. 初始化每个节点的节点表示和消息表示。
2. 在每个GNN层中，节点将其消息表示传递给邻接节点。
3. 邻接节点接收消息表示后，通过自过滤模块（SFM）评估节点表示的质量。
4. SFM根据评估结果更新消息表示，过滤掉低质量的节点表示。
5. 更新后的消息表示被用于下一层的传播。
6. 重复上述过程，直到达到预设的GNN层数。

例如，在知识图谱的链接预测任务中，SF-GNN通过上述流程，确保了在多层GNN中，只有高质量的节点表示被用于预测边的存在，从而提高了预测的准确性。

应用

SF-GNN方法具有广泛的应用前景，特别是在处理复杂图结构的任务中，如知识图谱的链接预测、社交网络分析和生物信息学中的蛋白质相互作用网络分析。由于其能够有效缓解深度GNN的性能退化问题，SF-GNN有望在未来的图数据处理和分析中发挥重要作用。