Skip to content

Adaedge

Measuring and Relieving the Over-Smoothing Problem for Graph Neural Networks from the Topological View

  1. motivation: 为了解决GNNs存在的过平滑问题，作者首先提出了MAD和MADGap两种指标来衡量图节点的平滑性，通过分析作者认为图的拓扑结构影响平滑性，因此作者提出了两种方法来缓解过平滑问题，其中一种是Adaedge，是通过对边的操作调整图的拓扑结构，是图数据增强的手段之一

  2. 主要增强方法: adaedge（adaptive edge optimization）基本思想是在训练时，根据预测结果，增加类内的边，删除类间的边，来调整图拓扑结果以缓解过平滑问题；具体步骤是先根据预测结果确定每个点的置信度，对于高置信度的节点，进行一定数量的增边和减边操作：如果预测的不相邻节点标签相同，则在其间增边；如果预测的相邻节点之间标签不同，则在其间减边

  3. 方法评价: 当对应任务的过平滑问题不严重时，adaedge 具有良好的泛化性，可以简单且有效的缓解过平滑问题；但是当图原本的拓扑结构容易导致严重的过平滑问题时，adaedge 会产生许多错误的边操作从而导致图的拓扑结构进一步恶化，从而影响模型的效果