目录实践中的GNN层GNN的过渡平滑问题（节点嵌入趋同）增强GNN的表达能力增加跳跃连接摘要：GNN层的变换，over-smoothing问题以及解决办法（增强GNN的表达能力、增加跳跃连接）在实际应用中

前言NIPS2020中关于图半监督学习的研究：本文研究图的半监督学习问题，当标签节点稀缺时，大多数已有的广义神经网络都存在over-smoothing、non-robustness、weak-generalization

但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了

但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了

指出：小的迪利克雷能量表明节点很相似，over-smoothing。大的表明over-separat

论文信息论文标题：MeasuringandRelievingtheOver-smoothingProblemforGraphNeuralNetworksfromtheTopologicalView论文作者：DeliChen,YankaiLin,WeiLi,Pen

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱GCNII(ICML2020)分享，GCNII全称：GraphConvolutionalNetworksviaInitialresidualandIdentityMappingGCNII汇报ppt版可通过关注公众号【AI机器学习与知识图谱】，回复关键词：GCNII来获得，供学习者使用！可添加微信号【1786519091

一：'over-smoothing'问题的提出：如下图：按照我们以往学习‘CNN’等其他层时，我们通常会有这么一个概念，就是加入越多层，我们的神经网络的表达能力也就越强。

本文简要阐述三篇与此相关的文章，它们分别研究了基于信息传递的图神经网络GNNmp的计算能力，GNNs的推理能力和阻碍GCN变深的问题---over-fitting与over-smoothing。

众所周知，GNNs的表现随着层数的增加而有所下降，这在一定程度上归结于over-smoothing这一问题，重复图卷积这一操作会使得节点的表示最终变得不可区分。