现实世界中很多很多任务可以描述为图(Graph)问题，比如社交网络，蛋白质结构，交通路网数据，图是一个很值得研究的领域。

近年来，随着深度学习的发展，研究人员借鉴了CNN等神经网络的思想，定义和设计了用于处理图数据的神经网络结构——图神经网络（Graph Neural Networks，GNN）。

不同于CNN可以通过堆叠非常多层数的神经网络来取得更好的模型表现，自从「图神经网络」的概念被提出后，大部分图神经网络仅仅堆叠两层就能够在下游任务上取得较好的效果。那么自然提出一个问题：深层的图神经网络必要吗？

当网络层数加深时，按照常见的解释，会发生过平滑(over-smoothing)或者过压缩(over-squashing)现象，导致不同节点之间的区分度和节点自身的特征表达下降，从而使得深层的图神经网络效果反而不如浅层网络。

但鉴于CV/NLP中的相关经验，浅层网络对数据的拟合能力会弱一些，因此对如何构建深层图神经网络的探索从未停止，例如深层图神经网络GCNII在Cora/PPI等数据集，RevGEN在ogbn-proteins数据集上都取得了state-of-art的结果，我们仍然希望看到深层图神经网络未来的潜力。

深层的图神经网络一方面增加了每个节点的感受野，使得节点可以感知到更大邻域的拓扑和节点特征信息；另一方面，深层网络增大了模型的复杂度和模型容量，使得网络的拟合能力更强。

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