2020综述 深就是好？深度GNN中的Over-Smoothing

在计算机视觉中，模型CNN随着其层次加深可以学习到更深层次的特征信息，叠加64层或128层是十分正常的现象，且能较浅层取得更优的效果；

图卷积神经网络GCNs是一种针对图结构数据的深度学习方法，但目前大多数的GCN模型都是浅层的，如GCN，GAT模型都是在2层时取得最优效果，随着加深模型效果就会大幅度下降；

GCN随着模型层次加深会出现Over-Smoothing问题，Over-Smoothing既相邻的节点随着网络变深就会越来越相似，最后学习到的nodeembedding便无法区分，模型效果下降。

为什么要将GNN做深，DeeperGNN适用于解决什么问题：

（1）少标签半监督节点分类

（2）少特征半监督节点分类

1、邻接矩阵A：归一化方式P ̃，采样等；

2、节点特征H：LocalInformation, Global Information如何选择；

3、参数W：Transformation添加的位置（相对于Propagation）等；

4、损失函数Loss/Normalization：通过loss函数控制模型对于Node Embedding学习

接下来，我们将通过上述一个公式，结合以上四点观点，分享下面五篇论文

Papers