GAT和GCN的局限性

[EGNN] Exploiting Edge Features for Graph Neural Networks 基于边缘特征的图神经网络 论文详解 CVPR 2019

GAT和GCN的局限性
GAT和GCNs之间的本质区别在于聚集邻居权值的方式不同:在GCNs中，用于聚集(过滤)邻居节点的权值是由独立于节点embedding的图拓扑结构定义的;而在GAT中，由于注意力机制，权值是节点embedding的函数。对图节点的分类结果表明，GAT的自适应能力使得融合节点特征和图拓扑结构的信息更加有效。

两个局限：

1、没有充分使用边的特征：GAT没有充分利用边的信息，只利用到了连接性，即在邻接矩阵中值为1表示有连接，值为0，表示不相连。然而，图中的边通常具有很多信息，例如强度、类型等。并且不仅仅是二进制的变量，可能是连续的、多维的。
GCN能够利用一维的边的特征，也就是边的权重，但是仅限于使用一维的边的特征。

2、原始邻居矩阵可能存在噪声：每个GAT或GCN层根据作为输入的原始邻接矩阵过滤节点特征。原始邻接矩阵可能存在噪声且不是最优的，这将限制滤波操作的有效性。