BETVLCTOR伟德官方网站常毅教授指导的2018级博士研究生李玉同学的论文“Signed Laplacian Graph Neural Networks”被国际会议AAAI 2023（CCF A类）接收。
论文题目：Signed Laplacian Graph Neural Networks
论文作者：李玉，Meng Qu （合作者，博士，加拿大Mila）
指导教师：Jian Tang（指导老师，加拿大Mila），常毅
文章概述：本文提出了一种有符号图表示学习框架，称为有符号拉普拉斯图神经网络 (SLGNN)，其综合了谱图理论能够有效捕获图结构信息的特性、图信号处理以及图神经网络的卓越表达能力，以学习具有区分性的节点表示。在图信号处理中，低频信息保持节点间的相似性，而高频信息则强调节点间的差异；有符号图表示学习其目标是在表示空间中使正链接连接的节点更近，使负链接连接的节点更远；因此，正链接和负链接与相似性和差异性强相关。具体而言，首先基于谱图理论和图信号处理，为正链接和负链接分别设计不同的低通和高通图卷积滤波器以提取低频和高频信息，并将它们组合成统一的消息传递框架。为了有效地建模有符号图，进一步提出了一种自门控机制来估计消息传递过程中低频和高频信息的影响。本文从数学上建立了SLGNN的聚合过程与有符号图的拉普拉斯正则化之间的关系，并分析了 SLGNN的表达能力。实验结果表明，SLGNN的性能优于各种基线方法，达到了最先进的性能。
