信息

1. 作者：Kangkang Lu, Yanhua Yu(通讯), Hao Fei, Xuan Li, Zixuan Yang, Zirui Guo, Meiyu Liang, Mengran Yin, Tat-Seng Chua
2. 机构：Beijing University of Posts and Telecommunications， National University of Singapore
3. 开源情况：https://github.com/Lukangkang123/EC-GNN

Insight

1. 使用 polynomial filter 拟合卷积核的过程中，会假定图拉普拉斯矩阵的所有特征值各不相同，这样就可以保证对于所有一维预测结果的准确生成，但是在实际数据集中存在大量重复的特征值，进而影响算法表现，而对应的，添加不同的特征值的个数会带来更好的拟合效果
   
2. 若只有 k 个不同的特征值，则最多只能生成由 k 个任意元素构成的一维预测。

Methodology

1. 生成一个 [0,2]上均匀分布的 n 维 equidistant eigenvalues $v$,和原特征值向量 $\lambda$ ，而后进行加权组合生成最终的特征值，并应用到已有的 polynomial filters 上（GPR-GNN, BernNet, JacobiConv）：

Experiments:

1. Full-Supervised Setting
   
2. 很有意思的是，论文在修改了特征值矩阵之后，得到的训练效率反而更高了————将矩阵的多项式计算替换成了特征值的多项式计算，但是感觉这个有点牵强？