Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach

图神经网络（GNN）通过对各种领域的网络中的有意义的拓扑结构进行编码，从节点级别和图级别任务上取得了巨大成功，这些领域包括社交网络和生物网络。然而，在密集区域使用多个GNN层时，重复的聚合操作会导致节点表示过度混合，导致嵌入几乎无法区分。这种现象导致了过度平滑问题，阻碍了下游的图分析任务。为了解决这个问题，我们提出了一种新颖且灵活的基于桁架的图稀疏化模型，该模型从图的密集区域修剪边缘。修剪密集区域中的冗余边缘有助于防止在GNN模型中进行分层消息传递和池化时聚合过多的邻域信息。然后，我们在最先进的基线GNN和池化模型中使用我们的稀疏化模型，例如GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool和AdamGNN。在不同的真实数据集上进行的广泛实验表明，我们的模型显著提高了基线GNN模型在图分类任务中的性能。

论文旨在解决GNN中的过度平滑问题，即在密集区域中多层GNN层次聚合操作导致节点表示过于相似的问题。

论文提出了一种基于桥梁的图稀疏化模型，通过在图的密集区域修剪冗余边来防止过度聚合。这种方法可以显著提高基线GNN模型在图分类任务中的性能。

论文在多个真实世界的数据集上进行了广泛的实验，证明了提出的方法的有效性。同时，他们还将这种方法应用于当前领域中的多个先进的GNN模型和池化模型，并取得了显著的性能提升。此外，他们还开源了代码，方便其他研究者使用和拓展。

在该领域的相关研究中，有一些关于GNN的过度平滑问题的研究，例如《How Powerful are Graph Neural Networks?》和《Understanding Attention and Generalization in Graph Neural Networks》等。此外，还有一些关于图稀疏化的研究，例如《Graph Sampling with Distributed Inference》和《DropEdge: Towards Deep Graph Convolutional Networks on Node Classification》等。