团队成员关于图卷积模型的研究取得新进展，相关成果发表在WWW上

  近期，我院在图卷积模型领域取得了新的研究进展，相关成果已在2024年ACM Web Conference（WWW 2024）上发布。WWW会议是人工智能领域的重要学术会议，被中国计算机学会评定为A类学术会议（CCF-A）。本届WWW会议的论文接收率约为20.2%。

  论文“Cross-Space Adaptive Filter: Integrating Graph Topology and Node Attributes for Alleviating the Over-smoothing Problem” 已被选入WWW 2024。该论文由四川大学、清华大学和范德堡大学合作完成。其中，我院2021级博士研究生黄晨为第一作者，雷文强教授为通讯作者。该研究提出了一种跨空间自适应滤波器，能够从图拓扑空间和节点属性空间中提取不同频率的信息。这一方法有效缓解了当前图卷积网络中存在的过度平滑问题，并提升了模型在下游任务中的表现效果。

  论文概要：传统的图卷积网络（Graph Convolutional Network，GCN）利用低通滤波器（Low-pass Filter）从图拓扑中提取低频信号。然而，随着GCN层数的增加，图中节点的嵌入表征会变得相似，从而影响下游应用的效果（如节点分类任务）。这一问题被称为GCN的过度平滑问题（Over-smoothing Problem）。为了解决这一问题，当前研究提出了多种方法，旨在引入额外的滤波器（如高通滤波器），并将其与GCN中的低通滤波器相结合，以创建自适应滤波器（Adaptive Filter）。然而，这些方法往往过于依赖图拓扑信息，忽视了节点属性信息，从而牺牲了深层GCN（Deep GCN）的表达能力，尤其是在处理异配图（Disassortative Graphs）时。本文提出了一种跨空间自适应滤波器（Cross-space Adaptive Filter，CSF），旨在同时从图拓扑空间和节点属性空间提取自适应的频率信息。具体而言，在本文中，首先推导了一种针对节点属性的高通滤波器，可被理解为半监督核岭回归的最小化器（Minimizer for Semi-supervised Kernel Ridge Regression）。随后，将图拓扑空间中的低通滤波器转化为Mercer核（Mercer’s Kernel）。最后，采用多核学习策略（Multiple Kernel Learning），将基于节点属性的高通滤波器和基于图拓扑的低通滤波器相结合，得到了跨空间自适应滤波器。

  实验结论：本文在9个常见的图数据集上进行了实验，包括3个同配图和6个异配图，并与12个模型进行了比较。实验结果表明，本文提出的方法在解决GCN过度平滑问题和提升GCN在下游任务中的效果方面均明显优于其他对比模型。

部分作者简介：

  黄晨，2021级博士研究生。该生主要研究方向为对话式/交互式人工智能和机器学习，在AAAI、WWW、EMNLP、ICDM等CCF-A/CCF-B类国际顶级会议上发表8篇论文。

  雷文强，教授，博士生导师，国家级青年人才，计算机学院院长助理，博士毕业于新加坡国立大学，获得计算机科学专业博士学位，主要研究方向为自然语言处理、信息检索、数据挖掘，在 ACL、KDD、SIGIR、AAAI、IJCAI、WWW、ACM MM、TOIS等CCF-A类国际顶级会议上发表论文数十篇，获得CCF-A类会议 ACM MM 2020 最佳论文奖，数次在 ACL、SIGIR、RecSys 等国际主流顶级会议上做专题tutorial，以首席客座编委身份担任国际知名期刊ACM TWEB -“对话式信息检索”的特刊，担任AAAI、IJCAI、ACL、KDD、SIGIR、TKDE、TOIS 等国际顶级会议的程序委员会(高级)委员和期刊审稿人，担任自然语言处理领域国际顶会 ACL2023、COLING 2024等领域主席，担任新加坡全国自然语言处理会议 SSNLP 2020 程序委员会主席，IEEE 旗下国际会议 DSS2022 的 Workshop 主席等。