基于扭矩的图手术：通过分层重构增强图神经网络

图神经网络（GNNs）已成为从图结构数据中学习的强大工具，利用消息传递来扩散信息并更新节点表示。然而，大多数研究表明图中编码的原始交互可能不利于这一过程，这推动了图重构方法的发展。

本研究提出了一种扭矩驱动的分层重构策略，灵感来源于经典力学中的扭矩概念，通过动态调制消息传递来改进异配图中的表示学习，并增强对噪声图的鲁棒性。具体而言，定义了一个干扰感知扭矩指标，该指标整合了结构距离和能量评分，以量化边引起的扰动，从而促使每个节点聚合其最近低能量邻居的信息。

使用该指标通过审慎剪除高扭矩边和添加低扭矩连接，分层重新配置每层的感受野，抑制传播噪声并增强相关信号。在基准数据集上的广泛评估表明，该方法在异配图和同配图上均优于最先进的方法，并在噪声图上保持高精度。