A diffusion-perception co-learning framework for deep graph neural networks

Zhifeng Lin

doi:10.1016/j.neunet.2026.109396

A diffusion-perception co-learning framework for deep graph neural networks

2026-07-01

0

PRE

AI

Z

Zhifeng Lin

张春阳 (Chun-Yang Zhang) *

陈晨 (C. L. Philip Chen)

DOI：10.1016/j.neunet.2026.109396

原文链接

原文求助

摘要

En 中文

深度图神经网络的发展受到消息传递中两个根本性挑战的阻碍：过平滑和过挤压。现有的图表示学习方法通常分别处理这些问题，使用同质聚合策略，忽视了信息交互中具有角色特异性的节点，导致在减少冗余的同时难以保留关键信号。为解决这些局限性，我们提出了一种新颖的扩散-感知协同学习框架，称为DPCoL，该框架自适应地建模节点的不同角色以优化深度图神经网络中的消息传递。DPCoL定义了一个两阶段消息传递范式：（1）扩散阶段，其中每个节点根据特征可区分性动态调节传播强度；（2）感知阶段，其中每个节点从聚合消息中选择性识别任务相关信息。这种协同学习机制在防止过度特征混合的同时保留有意义信号，确保在不依赖先验假设的情况下实现有效的长距离消息传递。与依赖超参数调整或显式平滑控制的先前方法不同，DPCoL采用可学习的扩散控制器和消息感知器，实现无需额外计算开销的自适应交互。理论分析验证了DP-CoL在解决上述问题时的收敛性和表达能力。在包括同质、异质和长距离依赖图在内的13个基准数据集上的广泛实验，证明了模型鲁棒性和优越性能。DPCoL在大多数场景下均实现了最佳性能。

Keyword:

Deep graph neural networks

Over-smoothing

Over-squashing

Role-specific node adaptation

A diffusion-perception co-learning framework for deep graph neural networks

摘要

期刊

机构

引用论文