ExpectileGCN：基于自适应分位数聚合的图表示学习框架

研究者提出ExpectileGCN，一种通过引入可学习分位数（expectile）层级来改进图神经网络邻域聚合的自适应框架。 该算子在最小值与最大值行为间连续调整聚合方式，以均值聚合为特例，并通过基于Sigmoid平滑和不动点迭代的可微近似实现端到端优化。 理论分析表明，在异质图且信息丰富邻域下，分位数聚合能利用类相关的尺度差异，相比均值聚合取得分类优势。