本文是UIUC电子科技与计算机工程专业的在读博士生彭建浩博士分享他与同事最近被ICLR收录的论文，名字叫Adaptive Universal Generalized PageRank Graph Neural Network，简称GPRGNN。

图神经网络或GNN已经在很多图结构的数据集上展现出了较传统方法更优越的性能，包括在各种节点分类，图分类，还有关联预测等等任务上，其实除去一些常见的标准测试数据集还有各种各样的合成数据，图神经网络还可以运用到很多新兴生物医学领域上。

论文内容概括成以下五点：① 已有的图神经网络；② 现有图神经网络普遍存在的两个主要问题：一般性和过平滑；③ GPR-GNN模型；④ GPR-GNN模型的实验结果；⑤ 总结以及GPR-GNN模型未来的研究方向。

GPR-GNN具有一般性，且能够避免过平滑问题；此外，因为GPR-GNN使用的参数较少，所有也能够避免过拟合问题；而所学习到的GPR weights 是具有可解释性的。更多地，发现能够在cSBM中严谨地测试GNN的一般性。

论文链接：

https://arxiv.org/abs/2006.07988

代码地址：

https://github.com/jianhao2016/GPRGNN

内容中包含的图片若涉及版权问题，请及时与我们联系删除