【NeurIPS2020】图网的主邻域聚合

图神经网络(GNNs)已被证明是有效的模型，用于对图结构数据的不同预测任务。最近关于它们表达能力的工作集中在同构任务和可数特征空间。我们对这个理论框架进行了扩展，使其包含连续的特性——在真实世界的输入域和gnn的隐藏层中定期出现——并演示了在此上下文中对多个聚合函数的需求。为此，我们提出了一种新的聚合器结构——主邻域聚合(PNA)，它将多个聚合器与度标器相结合，从而推广了总和聚合器。最后，我们通过一个新的基准来比较不同模型捕获和利用图结构的能力，该基准包含了来自经典图理论的多个任务，以及来自现实领域的现有基准，所有这些都证明了我们模型的强大。通过这项工作，我们希望引导一些GNN研究转向新的聚合方法，我们认为这对于寻找强大和健壮的模型至关重要。

https://www.zhuanzhi.ai/paper/bee47b175252858310e291d163fae01c