基于自适应 Expectile 聚合的图表示学习

新提出的自适应图聚合框架 ExpectileGCN 引入可学习 expectile 水平，在极小与极大值行为间连续调节聚合，以捕获超越传统均值的邻域分布信息。该框架基于 sigmoid 平滑与不动点迭代实现端到端优化，并提供理论稳定性与直推式泛化保证。同质与异质图基准实验表明，其预测性能优异，且在特征损坏与结构扰动下具备更强鲁棒性。