2022级博士研究生赵松伟的论文近日被CCF-A类期刊TKDE（IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING）接收。TKDE是人工智能、机器学习以及数据挖掘领域顶级的学术期刊之一，是CCF-A类推荐国际学术期刊。
该工作与新加坡南洋理工大学的江原博士、美国伊利诺伊大学芝加哥分校的Philip S. Yu教授合作完成。
论文题目：A Flexible Diffusion Convolution for Graph Neural Networks
第一作者：赵松伟
指导教师：陈贺昌
论文概述：图神经网络（GNNs）由于在各种图结构数据建模方面的优异性能而受到越来越多的关注。然而，大多数的GNNs只考虑固定邻居的离散消息传递，忽略了不同节点的局部结构和节点间隐式信息对平滑特征的重要性。以往的方法要么侧重于聚合结构的自适应选择，要么将离散图卷积视为连续扩散过程，但都没有全面考虑以上问题，严重限制了模型的性能。为此，我们提出了一种新的方法，称为灵活扩散卷积（Flexible Diffusion Convolution, Flexi-DC），利用节点的邻域信息为每个节点设置特定的连续扩散来平滑特征。具体来说，Flexi-DC首先根据图数据中节点的度提取局部结构知识，然后注入到扩散卷积模块中平滑特征。此外，我们利用提取的知识平滑标签。Flexi-DC是一个有效的框架，可以显著提高大多数GNN架构的性能。实验结果表明，Flexi-DC在具有不同同态比的9个图数据集中的平均准确率分别提高了13.24%（GCN）、16.37%（JKNet）和11.98（ARMA）。
