引用格式：
Shangwei WU, Yingtong XIONG, Hui LIANG, Chuliang WENG. D2-GCN: a graph convolutional network with dynamic disentanglement for node classification. Front. Comput. Sci., 2025, 19(1): 191305
阅读原文：
问题概述
经典图卷积网络（GCN）通常以整体方式学习节点表示，这将忽略在聚合不同邻居的特征以更新节点表示时这些邻居的不同影响。可解纠缠GCN被提出以将每个节点的表征划分为多个特征通道。然而，目前的解纠缠方法并没有尝试得出模型应分配多少个潜在因素以帮助提取每个节点的最佳表示。
本文提出可在训练中对节点表示进行动态解纠缠的图卷积网络D2-GCN，以得到针对每个节点混合特征的最佳分解，从而提高模型在不同图数据集上的自适应节点分类性能。
技术步骤
文章设计了一种两级解纠缠机制，以在训练过程中在历时级和图卷积层两个层面对节点表示进行解纠缠。利用这种机制，D2-GCN可以捕捉具有不同拓扑复杂性的图上节点表征的细微变化。文章进一步利用期望最大化算法证明所提出的动态解纠缠机制的收敛性。最后，文章定义了一种基于信息熵的评估指标，以刻画动态解纠缠过程的收敛速度。
D2-GCN中的两层解纠缠机制
实验结果
实验表明，在单标签和多标签节点分类任务中，所提出模型在测试精确度结果上均优于所有基准模型。进一步的可视化结果表明，与基准解纠缠方法相比，D2-GCN呈现出更清晰的分类边界和更高的类内相似性。
未来的工作可以结合子图理论改进模型性能，以呈现更准确的“局部-全局”解纠缠和学习图中的长距离依赖关系。
文章推荐
文章精要 | 南京大学叶翰嘉副教授团队：从维度角度重新审视多维分类问题 2025 19(1)：191304
文章精要 | 中国科学技术大学何向南教授团队：图卷积如何放大流行度偏差？
文章精要 | 北京航空航天大学黄迪教授团队：FIFAWC：群体行为识别的具有详细注释和丰富语义的数据集 2024 18(6)：186351
文章精要 | 中科院软件所马菲菲研究员团队、计算所曹娟研究员团队合作提出：基于提示的对抗样本生成和鲁棒性提升方法 2024 18(4)：184318
期刊简介
Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。
