人工智能学院常毅教授和曹晓锋副教授指导的2020级博士研究生郭凯同学的论文“Taming Over-Smoothing Representation on Heterophilic Graphs” 近日被Information Sciences杂志接收。《Information Sciences》是Elsevier旗下信息科学领域权威期刊，主要报道进化计算、计算智能、机器学习和数据挖掘等领域的最新研究进展。该期刊当前影响因子为IF（2023）= 8.1，属于中科院分区一区。
论文题目：Taming Over-Smoothing Representation on Heterophilic Graphs
第一作者：郭凯
指导教师：常毅，曹晓锋
文章概述：
图神经网络（Graph Neural Networks，简称GNNs）在图数据上展现出了强大的建模能力。其中一个固有的假设是，相连的图节点表现出较强的同质性，将一致的标签信息传递到关联的中心节点表示中。然而，异质性图可能导致这些相连节点持有不一致的标签，从而降低了传统GNNs的性能，并加剧了过度平滑的问题。在本文中，为了使GNNs适用于异质性图，我们提出了一种基于标签估计的消息传递方案，使得在具有同质性或异质性的图上学到的表示更加有区分性,进一步减轻了过度平滑问题。具体来说，通过引入标签估计来优化图中的边权重，目标是得到一个更有效的邻接矩阵。基于这个邻接矩阵，我们提出了一种新的消息传递方案，将具有一致标签的邻居信息聚合到它们的中心节点中。同时，我们还采用了对称交叉熵来减轻噪声标签带来的负面影响。我们最终建立了一个统一的框架，称为基于标签估计的图神经网络。大量的实验证明了我们的模型在防止过度平滑方面的能力，并展示了它在既具有同质性又具有异质性的图上进行节点分类任务的有效性。
