**图神经网络是近几年的热点。**图神经网络(GNN)领域取得了快速和令人难以置信的进展。图神经网络,又称图深度学习、图表示学习或几何深度学习,已成为机器学习特别是深度学习领域发展最快的研究课题之一。这波图论和深度学习交叉的研究浪潮也影响了其他科学领域,包括推荐系统、计算机视觉、自然语言处理、归纳逻辑编程、程序合成、软件挖掘、自动规划、网络安全和智能交通。
将能量最小化的动力系统在几何和物理中是普遍存在的。本文提出一种GNN的梯度流框架,其中方程遵循可学习能量的最速下降方向。这种方法允许从多粒子的角度解释GNN的演化,通过对称的“信道混合”矩阵的正和负特征值学习特征空间中的吸引力和斥力。我们对解决方案进行频谱分析,并得出结论,梯度流图卷积模型可以诱导由图高频主导的动力学,这是理想的异构数据集。我们还描述了通用GNN架构的结构约束,允许将它们解释为梯度流。我们进行了彻底的消融研究,证实了我们的理论分析,并展示了简单和轻量级模型在现实世界的同质性和异质性数据集上的有竞争力的性能。